推荐系统研发工程师（数据工程与算法后台方向）

推荐数据链路建设：负责曝光、播放、跳过、收藏等用户行为及音乐内容数据的离线与实时处理，建设数据加工、调度、校验和补数机制，保障数据准确性、完整性与时效性。

样本与特征工程：与算法工程师协作建设训练样本、用户及内容特征链路，完成标签生成、特征计算、存储和在线读取，保障特征时间口径正确及训练、推断的一致性。

在线推荐后台研发：负责召回、排序及策略服务相关模块的设计与开发，包括候选集合并、特征获取、模型调用、过滤与重排，支撑推荐策略灵活接入。

算法工程化落地：参与模型与特征版本管理、A/B 实验接入、灰度发布和回滚，打通离线生产与在线服务链路，协同排查数据、模型及服务问题。

性能与稳定性优化：建设数据任务与在线服务的监控告警，优化数据延迟、服务吞吐和尾延迟，完善缓存、限流、降级及故障恢复机制，兼顾业务效果与资源成本。

端到端工程交付：与算法及上下游工程团队明确需求、接口和验收标准，推进所负责模块从设计、开发、测试到上线运维的完整交付。

在数据工程、推荐系统后台或相关分布式系统方向具有扎实的项目经验，至少一个方向有深入实践，并具备另一方向的开发能力；能够清晰说明本人承担的工作、技术取舍和实际结果。

熟练使用 SQL，掌握 Spark、Flink 或同类分布式数据处理框架中的至少一种，能够独立建设数据处理任务，定位数据倾斜、任务延迟、重复及缺失等问题。

熟练掌握 Go、C++ 至少一门，有独立后台模块开发、测试和调试经验；其他语言背景且具备扎实后台工程能力、愿意适应现有技术栈者亦可考虑。

理解分布式服务、网络通信、并发、存储和缓存的基本机制，具备服务性能分析与线上排障能力，能够处理超时、重试、幂等及依赖异常。

理解推荐系统的召回、排序、重排及反馈链路，了解训练样本、特征与在线推断的关系，能够将算法方案转化为可维护、可验证的工程实现。

具备良好的工程质量意识与协作能力，重视测试、监控和数据质量，能够主动澄清口径与异常边界，并推动跨模块问题解决。 加分项 有音乐、音视频、信息流等内容推荐经验，理解隐式反馈、内容冷启动和多样性等业务问题。 有实时特征、样本与特征平台、向量检索、模型推断服务或流批协同链路的建设经验。 有高并发服务或大规模数据处理实践，并在数据时效、服务延迟、稳定性或资源成本方面取得可验证的优化结果。