这条 JD 在招什么人
美团到店业务的大模型应用方向，落点是把 LLM 接进到店的搜索、推荐与商户工具里。考察点按公开 JD 与面经的高频归纳，集中在三块：商品与商户知识库的 RAG、工具调用的工程化、交易链路上模型行为的安全边界。它是业务岗——模型能力是手段，交易转化与用户体验是目的，面试会反复回到业务约束上。
业务场景推测
大概率是到店搜索与推荐里的生成式改造：查询理解、商品与商户摘要、对话式推荐（置信度：中，基于公开业务布局推断）。商户侧的智能经营工具也可能是方向之一（置信度：低，基于公开产品形态推断）。交易链路对错误容忍度低，安全与合规是贯穿的高频约束。
硬技能：必须会什么
- RAG：标准管线（RAG 管线）、效果怎么评（RAG 评测）、知识库怎么更新（知识库更新）、千万级数据怎么撑住（千万级向量检索）、库怎么选（向量库选型）
- 语义基础：embedding 的原理与局限（什么是 Embedding）
- 工具调用：原理（Function Calling）、准确率怎么提（调用准确率）、失败怎么处理（工具失败）、权限怎么控（工具权限）
- 工程功底：高并发服务开发、转化与体验这类业务指标的敏感度
加分项：什么能拉开差距
- 电商或本地生活业务背景，懂 SKU、POI 这类数据结构
- 做过生成内容与业务指标的关联实验：摘要对点击率的影响
- 有交易或支付场景的模型安全经验：敏感词、越权、合规
- 千万级向量库的运维与调优经验
JD 没写但面试会问
- 商品信息每天变，知识库怎么增量更新又不串味（高频）
- 模型推荐错了店，责任边界在哪、怎么兜底
- 工具调用的权限怎么控，哪些操作必须人工确认
- 商户侧工具被恶意刷怎么防
- 检索结果里竞价与非竞价内容怎么处理
- 生成式推荐与传统推荐的评测口径差在哪
能力模型
| 层 | 内容 | 达标线 |
|---|---|---|
| 基础层 | LLM API、embedding、提示词 | 熟练使用 |
| 检索层 | RAG 管线、向量库、更新 | 有生产级经验 |
| 工具层 | 调用、权限、失败兜底 | 有优化数字 |
| 业务层 | 搜索推荐指标、交易约束 | 能对齐业务口径 |
| 安全层 | 内容与行为安全 | 有方案级思考 |
简历怎么改
- 业务效果写在技术动作后面：做了什么改动、转化或体验指标变化多少
- RAG 规模写清楚：多大库、更新频率、命中率
- 工具调用经历写权限与失败处理，交易场景这是必问点
- 有电商/本地生活项目要放在最前面
项目建议
- 做一个商品问答 RAG：模拟知识库每日更新，测新旧信息冲突的处理
- 设计一组带权限的工具（查询放开、下单需确认），统计调用准确率与误调用率
- 美团全部方向的题库见美团公司聚合页
- 直接用项目匹配器按你的基础和可用时间生成方案