shopee｜【实习】AI-搜索算法工程师-BJ/SH

职责 1. Query理解与意图解析：负责Agent场景下自然语言Query的意图识别、槽位提取、查询改写与拆解，优化多轮对话中模糊/复杂Query的解析质量，提升search plans生成的准确性； 2. 检索与混合排序：负责倒排索引、向量Embedding的多路召回融合策略设计，探索LLM在相关性判断与排序中的应用； 3. 知识库建设与RAG：参与多源证据数据库建设与质量分级，优化意图理解、召回及排序链路，参与 Embedding/Reranker 模型微调，并通过离线评测与 Bad Case 分析持续提升检索效果。 4. 搜索评测体系搭建：负责Agent搜索场景的评测数据集构建、自动化评测pipeline开发与badcase归因分析，驱动意图识别准确率、召回率、NDCG、首条响应延迟等核心指标的持续迭代； 5. 后训练数据体系建设：面向Query改写、相关性判断、生成式排序等子任务，负责后训练数据的构造与清洗（线上trace蒸馏、强模型标注、人工精标），搭建数据生成pipeline与质量校验机制； 6. 模型后训练与轻量化部署：负责开源基模型（Qwen、Kimi等）在搜索场景的SFT/DPO后训练与效果对比实验；探索知识蒸馏、模型量化等技术，支撑高并发低延迟的线上推理部署。 ​

1. 计算机、人工智能或相关专业本科及以上学历； 2. 熟悉PyTorch与LLM训练全流程，理解SFT/DPO/GRPO的原理与实践细节； 3. 熟悉LLM prompt工程与Agent框架，理解搜索/推荐系统的核心问题（召回、排序、相关性）； 4. 具备扎实的数据处理能力，能独立完成大规模训练数据的构造、清洗与质检； 5. 良好的实验习惯：对照设计、消融分析、指标口径（AUC/NDCG/召回率/准确率）严谨；具备独立的线上迭代与数据分析能力。 ​ 加分项 1. 有训练框架（verl、LLaMA-Factory、Megatron、DeepSpeed等）实际使用或二次开发经验； 2. 有搜索排序模型（DIN/DIEN/Transformer、生成式排序）或向量检索系统（Faiss/Milvus/ScaNN）实践经验； 3. 有RAG系统搭建经验，熟悉向量数据库、检索器与生成器的联合优化； 4. 有电商搜索/推荐大规模项目落地经验，或熟悉电商商品理解、相关性判别等任务； 5. 在NLP/ML/IR顶会（ACL/EMNLP/NeurIPS/ICLR/SIGIR/CIKM/WSDM等）发表过论文，或有高质量开源项目。