岗位职责：
负责推荐系统全链路的工程开发与优化，包括召回、粗排、精排、重排序等服务模块；
搭建个性化推荐服务框架，涵盖用户画像构建、特征工程、日志采集、实验体系等支撑系统；
与算法团队协同，将深度学习模型（如DeepFM、DIN、DCN、Transformer系列）高效部署上线，保障服务性能与稳定性；
构建推荐系统的服务化基础设施，包括在线训练、模型热更新、AB实验、监控与可观测性等模块；
参与将大语言模型（LLM）能力嵌入推荐流程，支持对话式推荐、推荐解释生成、用户冷启动理解、推荐引导等场景；
与对话系统和Agent开发团队协作，打通推荐引擎与LLM Agent之间的接口，支持工具型推荐触发与多轮内容反馈；
开发并维护RAG（检索增强生成）推荐组件，包含向量数据库索引、文档embedding服务、Prompt构造与输出质量优化。
岗位要求：
本科及以上学历，计算机科学、人工智能、软件工程或相关专业，具备扎实的编程和系统设计基础；
熟悉推荐系统的完整技术架构，具有召回、排序、推荐服务部署与线上迭代优化经验；
熟练掌握 Python / Java / Scala 中至少一种语言，以及主流深度学习框架（如 PyTorch、TensorFlow）；
掌握主流推荐模型（如 Wide&Deep、DeepFM、DIN、DCN、Transformer-based 等）及特征工程、Embedding管理技术；
熟悉大数据处理平台（Hive / Spark / Flink），具备处理海量用户行为数据的能力；
了解大语言模型（如GPT、LLaMA、Claude、通义千问、ChatGLM等）的能力边界及典型应用方式；
有LLM模型的调用、微调、Prompt设计、API封装经验者优先；
熟悉LangChain / LlamaIndex / PromptHub / RAG 等工具，有RAG推荐系统或检索增强推荐实践经验者优先；
熟悉至少一种主流向量数据库（如 FAISS、Milvus、Qdrant、Weaviate），了解其索引机制与向量召回方法；
具备对话式推荐、生成推荐解释、冷启动用户理解等推荐场景的产品化或项目经验者优先；
有开源项目贡献、技术博客撰写、行业会议论文发表经历者优先；
熟悉微服务架构、云原生部署（Docker、Kubernetes）、模型热更新、灰度发布机制者优先；
拥有内容平台、电商、短视频、教育等具体推荐业务背景者优先；
对生成式AI与推荐系统融合方向保持高度热情，具备业务理解能力和结果导向思维。