主分类：搜索推荐与业务决策算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "推荐算法工程师-豆包",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：负责豆包、猫箱等字节跳动 AI 原生产品的推荐应用和智能增长，全链路地研究和优化推荐技术、LLM 在相关 APP 的全新应用和解决方案，探索 LLM4Rec 如何满足用户不断增长的智能交互和个性化推荐需求，全面提升用户的消费和创作体验。\n\n1、LLM驱动的推荐创新：利用前沿技术优化AI产品的核心消费和创作模块，在非传统推荐场景探索LLM4Rec的无限可能；\n2、全链路推荐系统优化：接触业界领先的推荐技术，全链路地优化包括召回模型、排序模型、多模态推荐、多目标、冷启动等推荐核心算法和模块；\n3、应用场景探索：在更多使用场景中深入研究和探索AIGC落地对人们生活和工作的智能化改变。",
"requirements_text": "1、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python；\n2、对推荐系统或机器学习具有浓厚兴趣，熟悉NLP、LLM相关的算法和技术者优先；\n3、能够从用户视角出发，对LLM技术红利转化为业务价值有独到见解；\n4、出色的问题分析和解决能力，良好的沟通协作能力，对大模型的落地应用场景充满热情。",
"skills": [AI生成
"Python",
"C++",
"机器学习",
"数据结构",
"大语言模型"
],
"preferred_qualifications": "2、对推荐系统或机器学习具有浓厚兴趣，熟悉NLP、LLM相关的算法和技术者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7582553941155940661/detail"
}
]
},
"posting": {
"posting_id": "7582553941155940661",
"post_date": "2025-12-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7582553941155940661/detail"
},
"fulltext": "推荐算法工程师-豆包\n职位描述\n团队介绍：负责豆包、猫箱等字节跳动 AI 原生产品的推荐应用和智能增长，全链路地研究和优化推荐技术、LLM 在相关 APP 的全新应用和解决方案，探索 LLM4Rec 如何满足用户不断增长的智能交互和个性化推荐需求，全面提升用户的消费和创作体验。\n\n1、LLM驱动的推荐创新：利用前沿技术优化AI产品的核心消费和创作模块，在非传统推荐场景探索LLM4Rec的无限可能；\n2、全链路推荐系统优化：接触业界领先的推荐技术，全链路地优化包括召回模型、排序模型、多模态推荐、多目标、冷启动等推荐核心算法和模块；\n3、应用场景探索：在更多使用场景中深入研究和探索AIGC落地对人们生活和工作的智能化改变。\n\n职位要求\n1、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python；\n2、对推荐系统或机器学习具有浓厚兴趣，熟悉NLP、LLM相关的算法和技术者优先；\n3、能够从用户视角出发，对LLM技术红利转化为业务价值有独到见解；\n4、出色的问题分析和解决能力，良好的沟通协作能力，对大模型的落地应用场景充满热情。\n团队介绍：负责豆包、猫箱等字节跳动 AI 原生产品的推荐应用和智能增长，全链路地研究和优化推荐技术、LLM 在相关 APP 的全新应用和解决方案，探索 LLM4Rec 如何满足用户不断增长的智能交互和个性化推荐需求，全面提升用户的消费和创作体验。\n\n1、LLM驱动的推荐创新：利用前沿技术优化AI产品的核心消费和创作模块，在非传统推荐场景探索LLM4Rec的无限可能；\n2、全链路推荐系统优化：接触业界领先的推荐技术，全链路地优化包括召回模型、排序模型、多模态推荐、多目标、冷启动等推荐核心算法和模块；\n3、应用场景探索：在更多使用场景中深入研究和探索AIGC落地对人们生活和工作的智能化改变。\n1、优秀的代码能力、数据结构和基础算法功底，熟练C/C++或Python；\n2、对推荐系统或机器学习具有浓厚兴趣，熟悉NLP、LLM相关的算法和技术者优先；\n3、能够从用户视角出发，对LLM技术红利转化为业务价值有独到见解；\n4、出色的问题分析和解决能力，良好的沟通协作能力，对大模型的落地应用场景充满热情。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}