算法工程师

1. 业务场景算法方案设计
针对推荐、搜索、NLP、CV、大模型、风控、广告、用户增长等业务场景，设计对应的算法解决方案；分析业务痛点，明确模型目标、评估指标与技术实现路线。
2. 数据处理与特征工程
负责数据采集、清洗、抽样、去重等数据预处理工作；完成特征构建、筛选与特征工程，构建高质量训练集、验证集、测试集。
3. 模型构建、训练与优化
使用机器学习、深度学习模型（LR、GBDT、DNN、Transformer、CNN、RNN等）进行建模、训练与参数调优；开展大模型微调、Prompt优化、RAG策略、模型蒸馏/量化等工作；解决过拟合、泛化能力弱、效果不稳定等问题。
4. 模型效果评估与迭代
制定模型评估指标，包括准确率、精确率、召回率、F1、AUC、MAE、RMSE等离线指标及线上业务指标；分析Bad Case，持续迭代优化模型与特征。
5. 算法工程化与上线部署
配合AI应用开发、后端工程师完成模型导出、封装、服务接口化；参与模型推理性能优化，提升响应速度、吞吐量，降低资源占用；支持模型上线、A/B测试与灰度发布。
6. 实验设计与数据分析
设计并执行离线/在线实验，分析实验数据，为业务决策提供依据；通过数据挖掘挖掘用户与业务规律，反哺算法策略迭代。
7. 前沿技术调研与落地
跟踪业界论文、开源模型与AI前沿技术（LLM、多模态、Agent、自监督学习等）；调研并落地可显著提升业务效果的先进算法与方案。

二、算法工程师 任职要求
1. 基础要求
- 本科及以上学历，计算机、软件工程、人工智能、数学、统计、自动化等相关专业。
- 掌握机器学习、深度学习、数据挖掘基础理论与常用算法。
2. 编程与工程能力
- 熟练使用 Python，熟悉常用ML/DL框架：PyTorch / TensorFlow / Keras 至少一种。
- 熟悉数据处理工具：Numpy、Pandas、Scikit-learn 等。
- 了解基本工程化知识：Git、Linux、Docker、模型导出部署（ONNX/TensorRT）优先。
3. 专业技能
- 具备数据处理、特征工程、模型训练、调优、评估完整流程经验。
- 熟悉常见模型结构与适用场景，能独立完成建模与实验。
- 了解大模型、LLM、RAG、微调、提示词工程优先。
- 有推荐、NLP、CV、风控、搜索等任一方向经验优先。
4. 数学与分析能力
- 掌握线性代数、概率论、统计、优化方法等基础数学知识。
- 具备较强的数据分析、Bad Case分析、实验复盘能力。
5. 软技能
- 逻辑清晰，具备较强的问题定位、解决和复盘能力。
- 良好的跨团队沟通能力，能与产品、开发、测试高效协作。
- 具备技术好奇心，能持续学习前沿算法并落地。