这条 JD 在招什么人
抖音电商的大模型应用工程师，做搜索推荐 AI 化与导购类智能体。这个方向的考察点按公开 JD 与面经的高频归纳，主线是两条：一条是商品侧的知识工程——亿级商品的理解、索引与检索；另一条是交互侧的导购 Agent——多轮理解用户需求、给推荐给理由。电商场景的特点直接决定考法：数据规模大、口语化查询多、结果错了直接影响交易。
业务场景推测
大概率是搜索与推荐链路的大模型化：商品问答、相似商品推荐、查询意图理解（置信度：中，基于公开业务布局推断）。导购 Agent 可能以对话式购物助手形态出现；直播场景的多模态理解（讲品内容与商品对齐）可能占一定比重（置信度：低，基于公开业务布局推断）。
硬技能：必须会什么
- RAG 全流程：解析、切分、索引、检索、重排、生成（RAG 流程、切分策略）
- 大规模检索：亿级商品库的索引与检索方案（千万级 RAG）、向量模型怎么选（Embedding 选型）
- 查询侧：口语化搜索词的改写与扩展（查询改写）、混合检索与重排（混合检索与重排）
- Agent 设计：什么场景该做 Agent 而不是纯检索（Agent 是什么）、多轮导购的任务规划（Agent 规划）
- 评测：RAG 效果量化、评测集怎么建（RAG 评测）
- 基础：向量与相似度的数学直觉（Embedding）、Python 与推荐系统常识
加分项：什么能拉开差距
- 商品理解经验：标题、详情、评论、图片多源信息的抽取与对齐
- 检索与排序联动的调优经历：召回率与相关性怎么一起看
- 从零搭过检索-生成链路，而不是只拼框架组件
- 直播或短视频内容的多模态理解经验
JD 没写但面试会问
- 用户搜「显瘦的夏天裙子」，改写和检索链路怎么设计（高频）
- 亿级商品库，向量索引怎么建、更新怎么办
- 检索回来的商品不相关、模型还是硬推，怎么定位怎么治
- 导购 Agent 与纯推荐流怎么分工：哪些请求值得走多轮对话
- 切分粒度怎么定：商品标题和长详情页用同一套吗
- 多轮对话里用户预算变了，上下文与检索条件怎么跟着变（抖音面经方向）
能力模型
| 层 | 内容 | 达标线 |
|---|---|---|
| 基础层 | Embedding、提示词、API | 概念与数学直觉清晰 |
| RAG 层 | 全流程与大库检索 | 每步讲得出取舍 |
| Agent 层 | 多轮导购与规划 | 做过完整实现 |
| 评测层 | 指标与 badcase 归因 | 有量化经验 |
简历怎么改
- 检索经历按召回、排序、生成分段量化，别只写「提升了效果」
- 「用过向量库」换成「在多大规模数据上、选了什么索引、更新策略是什么」
- 电商或内容类数据的处理经验显式写，这个岗位对领域数据敏感
- 项目里写清评测口径：什么指标、多少样本、提升多少
项目建议
- 做一个商品问答 RAG：商品标题加详情切分、混合检索加改写，对比不同切分粒度的检索质量
- 做一个最小导购 Agent：多轮收集预算与偏好、调用检索工具、给推荐理由，统计任务完成率
- 抖音全部方向的题库见抖音公司聚合页
- 直接用项目匹配器按你的基础和可用时间生成方案
准备计划
- 7 天：RAG 全流程与查询改写题库速答过两遍；大库检索练到能白板画链路，同步刷抖音公司聚合页的面经题
- 21 天：做完商品问答或导购 Agent 项目并建立评测；简历体检
- 45 天：完整走RAG 工程师学习路线或Agent 开发路线，用差距测试定位短板，模拟面试三轮以上