岗位职责
- 自主排序优化Agent研发面向全链路排序（召回、粗排、精排、混排）的自主优化Agent，让Agent自主完成优化假设生成、融合公式与超参规则调优、参数上线的闭环迭代，显著提升排序研发效率与多目标融合（CTR、CVR、广告主效果、平台收益、用户体验）的决策质量；
- 自动化实验与跨轮记忆体系建设广告算法的自动化实验能力，让Agent辅助完成实验设计、指标分析、失败归因与离线-在线偏差诊断；通过跨轮记忆沉淀历史实验、行业经验与策略效果，支撑推荐与投放策略的持续进化；
- 广告投放Agent系统与产品智能决策：研发广告投放Agent系统，将LLM、Multi-Agent协作、长期记忆与工具调用融入投放决策，构建面向广告主增长的投放诊断、策略生成、参数调优与客户运营智能化闭环；建设和优化GMV Max、Smart+等国际化广告自动化投放产品，结合机器学习、运筹优化与AIGC/大语言模型能力，为广告主提供自动创编、素材优选、版位优选、人群挖掘、自动定向与预算调控等智能投放能力；
- 生成式出价与竞价融合强化学习与生成式序列决策（Decision Transformer、GRPO、离线强化学习等），构建出价/竞价决策Agent，在Multi-Agent竞价博弈中将海量历史投放数据转化为可学习、可生成的实时出价策略，提升广告主跑量能力与成本达成率；
- 工程化落地与效果度量推动广告Agent与算法策略在大规模生产环境稳定落地，建设高并发、低延迟、可观测、可回滚的在线系统与监控体系，并通过A/B测试与因果推断量化业务收益。
职位要求
- 学历与基础能力，本科及以上学历，计算机、人工智能、数学、统计学、运筹学、自动化等相关专业优先，硕士学位或博士学位优先，具备扎实的数据结构、算法基础与良好的代码习惯；
- 编程与算法工程能力，熟练掌握Python、C++、Go、Java中至少一门语言，熟悉PyTorch、TensorFlow等主流深度学习框架，具备良好的工程实现与线上问题定位能力，有ACM/ICPC、Kaggle等竞赛经历者优先；
- 机器学习与广告推荐算法，深入理解机器学习、深度学习与广告推荐算法，熟悉Transformer、MTL、CTR/CVR预估、召回、排序、混排、多目标优化等技术，有搜索、推荐、广告、电商或增长营销算法经验者优先；
- 强化学习与决策优化，熟悉强化学习、运筹优化、控制理论、博弈论或因果推断中的一种或多种方法，有强化学习应用于广告竞价、智能出价或序列决策建模经验者优先；
- 大模型Agent与生成式，AI对LLM Agent、生成式AI与Agentic Recommendation有深入理解或实践经验，熟悉检索增强生成、工具调用、长期记忆、Multi-Agent协作、自动化实验、模型微调、偏好对齐、强化学习对齐等技术，有广告Agent、推荐Agent或复杂Multi-Agent系统落地经验者优先。 加分项：
- 系统设计、协作与加分项，具备优秀的问题抽象、系统设计、工程落地与跨团队协作能力，能够将复杂商业目标抽象为算法问题与Agent任务流；
- 在NeurIPS、ICML、ICLR、KDD、RecSys、SIGIR等会议发表过相关论文；
- 有广告算法、推荐系统、客户增长、大规模运筹优化或智能决策系统经验；
- 有高质量开源贡献，或具备Agent框架的生产级落地经验。
