推荐算法工程师：技能要求与简历关键词指南

必备机器学习与深度学习基础

为什么要求：推荐算法的底座，面试必考模型原理，不会推导基本过不了技术面。

简历里怎么证明：写具体模型加效果，例如：「基于 Wide&Deep 与 DNN 优化 CTR 预估模型，离线 AUC 提升 2.1%」。避免只写「熟悉机器学习」。

不会怎么补：系统学完李航《统计学习方法》或吴恩达课程，再精读 Google 的 Wide&Deep、DIN 两篇论文并复现。

必备推荐系统全链路理解（召回-粗排-精排-重排）

为什么要求：面试官判断你是做过系统还是只调过模型，全靠这条链路的理解深度。

简历里怎么证明：写清你负责的环节，例如：「负责精排模块，将多路召回候选从 5000 条精排至 500 条，负责模块的线上 CTR 提升 3%」。

不会怎么补：读《深度学习推荐系统》（王喆）搭建完整认知，再结合开源项目如 EasyRec 或 TensorFlow Recommenders 走一遍流程。

必备Python 与工程实现能力

为什么要求：算法工程师要自己写训练和推理代码，纯理论背景在业务团队不受欢迎。

简历里怎么证明：写具体产出，例如：「使用 Python + PyTorch 实现双塔召回模型，完成特征工程、训练与线上推理服务部署」。

不会怎么补：刷 LeetCode 中等题保底编码能力，用 PyTorch 复现一个召回或排序模型并放到 GitHub。

必备CTR 预估与排序模型实战

为什么要求：精排是推荐系统最核心的模块，绝大多数 JD 都直接点名 CTR/CVR 预估。

简历里怎么证明：给出模型名加指标，例如：「迭代精排模型从 LR 升级到 DeepFM，线上 CTR 相对提升 5.8%，人均使用时长提升 4%」。

不会怎么补：先复现 LR、FM、DeepFM 三个经典模型（有大量开源实现），再学 DIN、SIM 等序列模型。

必备A/B 实验与效果评估

为什么要求：算法迭代全靠实验数据说话，不会设计实验就无法证明自己的工作价值。

简历里怎么证明：写实验设计，例如：「设计分层 A/B 实验验证新召回策略，观察 2 周，置信度 95% 下 CTR 显著提升，全量上线」。

不会怎么补：掌握假设检验、置信区间等统计基础，理解分层实验原理，可参考字节跳动关于实验平台的公开技术文章。

加分大规模数据处理（Spark / SQL）

为什么要求：推荐场景特征数据动辄 TB 级，不会分布式处理就只能等别人喂特征。

简历里怎么证明：写规模，例如：「使用 Spark 处理日均 10 亿级行为日志，构建用户与物品特征管道，特征产出时效从天级降到小时级」。

不会怎么补：学 Spark Core 与 SQL（Hive/ClickHouse 常见），在公开数据集上做一次完整的特征提取练习。

加分大模型与推荐结合（LLM for RecSys）

为什么要求：2023 年后不少团队在探索 LLM 做特征生成、冷启动和生成式推荐，属于稀缺加分项。

简历里怎么证明：写落地尝试，例如：「利用 LLM 对物品内容做语义标签抽取，补充冷启动物品的 embedding，冷启动 CTR 提升 8%」。

不会怎么补：读生成式推荐相关论文（如 TIGER），动手用开源 LLM 给公开数据集做特征增强的小项目。

进阶模型部署与线上服务优化

为什么要求：能把模型推到线上并压住延迟的算法工程师极少，是高级岗位的分水岭。

简历里怎么证明：写性能指标，例如：「负责精排模型线上推理优化，通过量化与缓存将 P99 延迟从 80ms 降到 30ms，QPS 承载提升 3 倍」。

不会怎么补：学 TensorFlow Serving 或 Triton 推理框架，了解模型量化、蒸馏等压缩手段，在个人项目里测延迟。

根据公开招聘信息估算（仅供参考，以实际 offer 为准）：一线城市应届硕士约 25k-40k/月；1-3 年经验约 30k-50k/月；3-5 年约 40k-70k/月；资深或带团队岗位可达 60k-100k+/月，大厂通常另有股票和年终奖。

以上为公开信息估算，实际以招聘方报价为准。

影响薪资的主要因素

• 公司层级：大厂、AI 独角兽与中小公司差距明显
• 学历与论文：顶会论文（SIGIR/KDD/RecSys）能显著抬高起薪
• 业务规模：亿级 DAU 的推荐场景经验溢价高
• 工程与算法的复合能力：能独立上线模型的候选人更值钱
• 大模型相关经验的稀缺性溢价