推荐与搜索算法

人工智能与数据
├── 数据工程侧（大数据开发／数据治理／BI 与可视化）
├── 数据洞察侧（数据分析师）
└── 模型与策略侧
    ├── 算法工程师
    ├── 机器学习工程（MLOps）
    ├── AI 应用与提示工程
    └── 推荐与搜索算法 ← 本篇

定位一句话：推荐与搜索算法工程师负责"让用户在信息与商品的海量供给中更快找到想要的"——搜索解决意图明确的查找，推荐解决意图模糊的发现。

这个岗位的特殊性在于：评价标准不是模型指标本身，而是用户行为与业务结果的改善；而用户会"适应"算法——今天的曝光决定了明天的训练数据，模型越强越容易自我强化（内容同质化、信息茧房、冷启动受阻）。因此它更接近一场没有终点的博弈，而不是一次可以交付完成的建模任务。

一句话定义：推荐与搜索算法工程师负责设计并迭代召回、排序、重排的算法链路，完成特征工程与模型训练、策略设计与线上实验、效果评估与持续优化，交付物是线上可用、效果可验证、稳定性可控的算法服务。

职责边界（五类日常）

一、链路设计与迭代

维护推荐或搜索的多级链路（召回、粗排、精排、重排／混排），明确每一级的目标、容量与延迟预算。

• 链路优化的第一步不是换模型，而是找到"损失在哪一级"：召回没拿到的东西，排序再强也救不回来。
• 搜索特有环节：查询理解（分词、纠错、改写、意图识别、类目预测）与相关性判定。搜索的效果往往先在"懂不懂用户问什么"上分出高下。
• 延迟预算：整个链路有明确的响应时间限制，各级只能分到一部分。任何一级的模型复杂度，都要在这个预算里做取舍。

二、特征工程与模型训练

构造用户、物品、上下文、交叉特征，处理特征时效性与一致性，训练与迭代排序模型。

• 离线与线上口径必须严格对齐：这是这条线上最高频、代价最大的事故来源。
• 样本正确性比模型结构更重要：样本选择偏差（只从曝光样本学，忽略未曝光）、标签延迟（转化要等几天才回传）、位置偏差（排在前面的更容易被点）都会系统性扭曲学习结果。
• 模型演进路线：从逻辑回归等传统模型到深度模型、多任务与多目标建模。多目标的核心难题是目标之间会互相压制——提升点击往往损伤体验与长期留存。

三、策略与多样性控制

设计冷启动、探索与利用、打散与去重、流量调控与生态平衡。

• 冷启动：新内容与新用户没有历史数据，需要靠内容理解、相似迁移或主动探索来破局。
• 探索与利用：只推确定喜欢的内容，收益短期最优、长期僵化；必须预留探索流量。
• 打散与去重：同一主题、同一作者、同一商品的过度集中会显著伤害体验。
• 生态平衡：避免头部垄断流量，否则供给侧会萎缩，长期反噬平台价值。

策略设计是这个岗位上"工程之外"的专业判断所在——它靠的是对用户与生态的理解，而不是模型技巧。

四、评测体系与在线实验

搭建离线评测、设计 AB 实验、建立指标体系。

• 离线评测要防自欺：用与线上一致的样本与口径，注意离线指标的"天花板效应"（模型只会模仿历史曝光，无法评估它带来的新曝光）。
• AB 实验的设计要点：分流要干净（避免同一用户跨组）、样本量要够、观察期要覆盖至少一个完整行为周期（如一周，以覆盖工作日与周末差异）。
• 指标体系分层：点击、转化、时长属于短期指标；留存、复访、生态健康（创作者活跃、内容多样性）属于长期指标。只看短期指标，几乎必然走向体验透支。
• "离线涨、线上跌"是这个岗位的日常，理解其原因是核心能力。

五、工程落地与稳定性

与工程团队协作完成服务化与性能优化，保证特征与模型的更新链路稳定，处理线上异常与模型回滚。

• 延迟、吞吐、降级策略是硬约束；大促或热点事件下，降级方案必须提前设计。
• 特征与模型的更新链路（近线更新、增量训练）出问题，往往表现为"效果慢慢变差"而非"服务报错"，监控要覆盖这一层。
• 算法工程师必须能读懂自己的服务在生产上怎么跑，只交模型不管上线的做法越来越难立足。

一次线上实验的完整流程

1. 提出假设——明确"改什么、预期哪个指标变化、为什么"；
2. 离线验证——用一致口径评估，排除明显问题（不追求离线全胜）；
3. 设计分流——确定实验组与对照组、分流单位与比例；
4. 观察短期指标——点击、转化、时长等，同时盯着延迟与错误率；
5. 看长期与生态指标——留存、复访、内容与商家的分布变化；
6. 决策——全量、回滚或继续迭代；无论结果如何，把结论记录下来。

第 5 步最容易被省略，代价通常几个月后才显现。

"离线涨、线上跌"常见原因

• 样本与线上不一致：训练样本只包含曝光过的数据，线上要面对全量候选；
• 特征穿越或时效不符：训练时用了未来信息，或线上拿不到同样及时的特征；
• 链路损失：离线评估只看排序，线上效果受召回与重排共同制约；
• 用户适应与反事实：真实用户会对新策略做出反应，离线数据里没有这个反应；
• 实验本身有问题：分流不干净、观察期太短、指标被其他改动污染。

排查顺序通常是：先确认实验设计，再查特征口径，最后才怀疑模型。

搜索与推荐的协同

同一个产品里，两者常共享候选池与底层能力，但目标不同：搜索要"准确"，推荐要"惊喜"。协同的关键在两点：一是流量分配——搜索无结果或结果差时，用推荐承接，避免用户空手而归；二是冷启动互借——搜索日志能反映真实需求，可为推荐补充意图信号，推荐的用户兴趣则可用于搜索的个性化排序。把两套逻辑混为一谈，通常会导致搜索结果被"猜你喜欢"稀释，用户体验反而变差。

相邻岗位辨析

三组最容易混的场景：

• 推荐算法 vs 机器学习工程师：都是"训模型"。分界是任务形态——通用 ML 多做预测、风控、定价，通常有明确标签与离线上线一致的评估；推荐与搜索面对的是链路＋策略＋在线实验，且评估依赖真实用户行为。最本质的差别是"能不能靠离线指标定论"。
• 推荐算法 vs 大模型应用工程师：都在做"相关性"。分界是用预训练模型还是不训模型——本岗要自己训排序模型、做特征与实验；大模型应用侧主要靠检索与提示。两者在向量召回上正在融合，很多人会在同一支队伍里协作。
• 算法 vs 策略产品经理：都要定"推什么"。分界是谁定义目标、谁实现机制——产品定体验规则与生态底线，算法把规则变成可运行的机制并给出效果证据。争执通常发生在"指标好看但体验变差"时，此时需要一套共同认可的长期指标来裁决。

判断口诀：找得到／找得准 → 搜索；猜得中 → 推荐；改模型与特征 → 本岗；改业务目标与规则 → 产品；离线涨线上没涨 → 先查样本与特征口径，再查实验设计。

不同业务场景下的重心差异

• 内容社区与短视频：时长与留存、多样性与创作者生态是主指标，探索机制最关键。
• 电商：转化、客单与复购为主，商品与价格特征工程量大，冷启动与新品扶持是重点。
• 本地生活与出行：供给受地域与实时状态约束，重心在时空特征与供需平衡。
• 社交与信息流：关系链与时效性并重，社交信号与内容信号的融合是难点。
• 企业搜索与内部检索：以准确性与权限控制为先，容忍度低，与知识管理场景衔接紧密。

入行与转出（公开口径）

• 背景：计算机、人工智能、统计学、数学、自动化等专业最主流；硕士比例较高，但算法竞赛、开源项目与实习经历对入门影响很大；也有从后端、数据开发转算法岗的路径。
• 前置知识：机器学习与深度学习基础；推荐与检索的基本范式（协同过滤、向量召回、排序模型、相关性评估）；编程能力（Python 为主，需具备工程实现能力）；大数据处理工具的基本使用；概率统计与实验设计；分布式与性能优化常识。
• 面试通常怎么考察：常见形式是"给定一个场景（如新平台冷启动、搜索无结果率高）说出你的方案"——考察的是链路与策略思路，而非单一模型；也会深挖 AB 实验设计、指标定义与线上问题定位。有真实实验经验的人优势明显。
• 常见入口：① 校招进互联网内容、电商、社交、视频平台的算法团队；② 从数据开发、后端工程转算法，凭工程能力补齐模型与实验能力；③ 从数据分析转算法策略方向；④ 从搜索或推荐的中小团队进入大平台，作品与实验经验是关键。
• 适配画像：愿意既写模型代码又盯线上数据的人；对"为什么这个指标会这样变化"有强烈好奇心的人；能接受效果的不确定性、习惯用实验代替争论的人；工程严谨度高、对数据口径错误有洁癖的人。
• 两个常见认知误区：① 以为算法强就等于效果好——链路、策略与实验设计往往贡献更大；② 以为指标涨了就是好——不看长期与生态指标，容易做出伤害产品的"短期优化"。
• 职业特点：技术价值明确、薪酬竞争力强，是数据驱动型产品的中枢岗位；但压力集中在指标结果，实验失败率高，需要较好的心态；行业需求随内容与电商增长而波动，向算法负责人、数据科学、AI 产品等方向均可延伸。
• 转出方向：转算法负责人与技术管理、转数据科学方向、转 AI 产品经理、转智能化解决方案与行业应用。