腾讯营销-基于大模型Agent的腾讯电商广告推荐研究

课题背景： 微信小店作为交易闭环的核心阵地，拥有极其庞大的流量和内容生态。本课题致力于探索电商推荐大模型升级，和多智能体协同的经营Agent研究。解决电商广告推荐中的核心技术挑战，包括跨域融合推荐、直播动态复杂场景推荐、电商推荐模型Scaling Up、商品经营Agent升级等。推动电商全链路模型能力提升和Agent技术在广告工业界的大规模落地应用，具有重要的学术研究价值与广阔工业前景。 工作内容：

1. 01

   负责腾讯电商营销全链路推荐和排序优化，攻坚自然域与广告域数据融合难题、探索直播动态复杂场景建模、智能优惠券分发、以及模型ScalingUp联合优化的技术挑战；

2. 02

   自动化店铺托管：结合微信小店真实生态，打造端到端的自动化托管闭环。基于选品结果，由Agent自主完成商品起量决策、自动化出价调优及预算智能动态分配，全链路提升中小商家的经营效率与广告ROI

3. 03

   跟进前沿学术进展，产出高质量技术方案与研究论文

1. 01

   硕士研究生及以上学历，计算机科学、人工智能、自然语言处理、多模态等相关领域；

2. 02

   精通PyTorch/TensorFlow等框架，对计算广告、电商推荐、推荐引擎有深入理解，具备大规模语言模型训练与优化经验；

3. 03

   熟悉常见开源大语言模型（如Qwen、DeepSeek等）及其MoE架构原理，具备大模型基座训练、偏好对齐算法或AI Agent（如规划、反思、工具调用）的实战开发经验；

4. 04

   在ACL/EMNLP/NeurIPS/KDD/ICML/CVPR等顶会发表LLM或搜广推相关论文；具备优秀的大规模工程实现能力。