小红书校招技术解析
大模型、AI Agent 与搜索推荐的工程落地

这里不讲空泛的概念,只拆真实链路:C 端 Agent「点点」怎么被训练出来,生成式召回怎么替换传统双塔,RedServing 怎么把万亿级并行推理压进可控成本。每一条都对应小红书真实在招的技术岗位。

面向 2027 届及毕业两年内的技术同学,把 REDstar 顶尖人才计划、大模型 Infra、社区搜推、引擎架构这些方向背后的工程问题摊开讲清楚,让你在投简历之前,先知道进去之后要啃的是什么。

首页/频道/二级技术分类

技术频道导航

比一级菜单更细,按工程链路分层
基座大模型 AI Agent 工程 AI Infra 训推 社区搜索 全域推荐 商业广告算法 引擎架构 向量检索与索引 多模态理解 火山式数据底座 云原生与存储 多媒体与编解码 rednote 国际化 PE 产品工程师
首页/核心功能

六条核心技术主线

对应校招在招方向,每条都是能写进简历的工程问题
AI 相关 · 重点 🤖

C 端 Agent 内核

围绕站内智能生活助手「点点」做 agentic 后训练:设计工具调用轨迹、打磨 memory 与个性化、压缩 context 长度,并用蒸馏把大模型能力塞进可上线的时延预算。你会直接面对「模型答得对但太慢」这类真实矛盾。

🔍

AI 搜索重构

把关键词匹配换成 LLM 驱动的相关性范式:query 改写、生成式召回、答案 grounding 到真实笔记。难点不在跑通 demo,而在于让引用可追溯、让幻觉率压到上线标准以内。

📊

全域推荐排序

从召回、粗排到精排的完整链路:长序列建模捕捉兴趣漂移,多目标融合平衡点击与停留,重排层做多样性打散。日级百亿次分发下,一个千分点的 AUC 提升就值得一个季度。

⚙️

RedAccel 训练引擎

支持 RLHF / DPO 的高效训练框架,做 TP、PP、ZeRO-3 与强化学习流程的动态协同,解决超长时序下的显存与通信瓶颈。写的是框架层代码,服务的是全公司所有大模型算法同学。

🖼️

多模态内容理解

图文笔记、短视频、评论语音一起进模型:跨模态注意力把视觉风格与文字语义对齐,商品识别做到 SKU 级别,一张街拍图里同时认出品牌、款式与搭配单品并关联到具体商品。日均处理两亿级图片,推理延迟还得摁在百毫秒内,模型精度和机器成本在这里天天打架。

🌊

流批一体数据底座

基于 Flink、Paimon、Ray 搭特征与样本链路,Log-Join、CDC、级联更新一套打通,保证离线训练与在线服务的特征完全一致,样本归因口径也得统一。数据对不齐,模型再花哨也白搭——这是整条链路里最容易被低估、也最容易出新人的硬活。

首页/技术频道/正在热播

正在热播

技术直播回放与内部讲堂录像,点开即看
首页/核心优势

为什么技术同学愿意来

六件在别处不太容易同时拿到的事
ADV / 01
🚀

亿级真实流量

代码上线当天就是数亿人在用,不用等灰度一年才看到曲线动一下。你的策略好坏由真实用户行为判定,而不是靠内部评审打分,好就是好坏就是坏,没人替你圆。这种反馈密度攒两年,在简历上比任何框架熟练度都值钱。

ADV / 02
🧪

全栈技术纵深

从算子优化、训推引擎到推荐策略、产品形态,链路全在自己手里。想往下扎能扎到 CUDA 与通信库,想往上看能看内容生态与商业模型,不必被钉死在一层做三年螺丝钉。

ADV / 03
🎓

Mentor 带教制

入职配专属 Mentor,加上覆盖新人到管理者的分层培养项目,技术、产品、社区各有序列路径。Builder School、AI 技校、睿德书院对全员无差别开放,想学的东西不用等名额。

ADV / 04
🎨

AI Native 空白

社区工程正在整体做 AI Native 转型,内容理解、创作工具、互动体验都在重新定义。很多位置没有现成答案,是你提出问题也由你给答案,而不是接手一份写了五年的老代码做维护。

ADV / 05
🌏

出海从零开始

rednote 国际化团队横跨推荐、搜索、AI 搜索、翻译与多语言基座,是真正 0 到 1 的舞台。包袱更少、创新势能更大,用 AI native 方式重塑搜推范式,路径由你自己定义。

ADV / 06
☕

生活感的日常

带薪福利年假、团建基金、租房补贴、周年与生日福利、补充商业保险、年度体检,八十多个兴趣社团,周五还有 Pet Day。这里不假装工作强度低,但公司确实被当成生活现场在经营,而不只是一栋办公写字楼,这点在日常里感受得到。

首页/深度知识
长文精读 · 工程实践

从双塔到生成式:小红书搜索推荐链路的三次重构,以及校招生真正要补的课

作者:技术解析编辑部更新:2026-11-18阅读约 14 分钟分类:搜推算法 / 引擎架构
一、召回层:从向量近似到序列生成

传统召回是双塔结构,用户侧和物品侧各自过八层全连接,最后用余弦相似度取 TopN。这套东西稳、快、可解释,但天花板很明显:兴趣被压缩成一个定长向量,长尾意图表达不出来。现在的方向是把召回改造成序列生成问题——用 LLM 直接解码出候选 item id 或语义码本,让「搜一条裙子」和「搜法式复古通勤穿搭」走同一套生成逻辑。难点在工程侧:候选空间是亿级,解码必须做约束 beam search,还要和原有向量召回做混合与去重,延迟预算只多给了十几毫秒。

二、排序层:长序列建模与多目标融合

排序的核心矛盾是「信息够不够」和「算不算得动」。用户半年内的行为序列动辄上万条,直接上 Transformer 注意力是平方复杂度,线上扛不住。实践里通常做两段:短期用轻量循环结构抓最近三十天的即时需求,长期用自注意力加采样策略提炼稳定偏好,两段表征再拼接进精排。多目标这边,点击、停留、收藏、评论的权重不是拍脑袋定的,2026 年互动权重的调整方向很明确——收藏约三倍于点赞、评论约五倍于点赞,系统更看重「激发对话」而不是「换一次曝光」。这意味着做策略的同学得懂业务目标,纯粹刷离线指标很容易跑偏。

三、Agent 进推荐:交互式范式带来的新变量

基于 Agent 的交互式推荐已经上线:用户在评论区写一句「多推类似内容」,Agent 识别意图后直接调节推荐系统参数。这看起来只是个入口,实际改的是整个 feedback loop——过去系统只能从隐式行为猜,现在拿到了显式自然语言指令。随之而来的是新问题:怎么把用户 memory 存得既省又不丢关键信息,怎么在多轮对话里保持 context 不被截断,怎么防止指令被恶意 prompt 注入带偏排序。这些都是校招生进来就能碰到的活,不是三年后才轮得到你。

四、Infra 侧:训推一体与异构算力

模型变大之后,真正的瓶颈从算法创意挪到了基础设施。训练侧要做 RLHF/DPO 的多阶段 pipeline,Rollout 与 Reward Model 的集成会让 GPU 利用率掉到很难看的水平,得靠 TP、PP、ZeRO-3 的动态协同把显存省出来。推理侧更直接:RedSlim 做量化与蒸馏压缩,RedServing 负责调度与部署,目标是万亿级并行推理还能守住 P99 延迟。GPU、XPU 混部意味着算子得适配多种芯片,性能优化从「调参」变成了「写算子」。这也是为什么引擎架构岗明确要求 C/C++ 底层内存、并发、网络扎实——这一层没有银弹,只有硬功夫。

五、给校招生的准备清单

第一,把一套推荐或搜索系统从召回走到重排完整实现一遍,哪怕用公开数据集,面试时能讲清每个环节的取舍比背论文强。第二,手写一个简单算子或改造一版推理引擎,证明你不怕底层。第三,跟一遍大模型后训练流程,从 SFT 到 RLHF 亲自跑通,理解 loss 曲线背后发生了什么。第四,读论文要有重点:RecSys、KDD、SIGIR 看搜推,NeurIPS、ICML、ICLR、ACL 看大模型,第一作者的活儿比挂名有说服力得多。最后提醒一句,别把「用过某个框架」当卖点,面试官真正追问的是:当时为什么这么选, trade-off 在哪,如果重来你会改什么。

首页/技术频道/专家观点

一线技术人怎么评价

四位不同方向的负责人,说的都是实话
柯
柯工多模态大模型方向负责人

市面上的基座模型确实已经很多了,但做一个真能理解生活、还能替用户解决复杂问题的模型是另一回事——它背后可能同时涉及导游、设计师、采购几个角色的工作。我们坚持自研不是跟风,是平台上海量图文、视频、评论语音这些独特内容,对理解和生成提出了通用模型覆盖不到的要求。

沈
沈工引擎架构部 · 训推框架

新人常犯的错是拿着锤子找钉子,先学会一个框架再四处找场景套。这里正好相反:先有一个跑不动的业务,再倒推该改哪一层。我带过的成长最快的同学,都是从一次线上 P99 超时开始,一路追到通信库和显存布局,三个月把底层摸透了。

路
路工社区推荐算法 · 长序列建模

推荐这行最迷人的地方是反馈极快,也最容易让人短视。你调一个参数,两小时后曲线就变了,于是很多人只盯着日内指标。我更愿意看新人能不能忍住不调,先把数据链路查干净——我见过太多所谓算法问题,最后查出来是特征线上线下不一致。

何
何工国际化搜推 · rednote

出海和做成熟业务优化完全是两种手感。这里没有历史包袱,也没有现成答案,一个多语言相关性范式可能要推翻重来三次。对校招生反而友好:你不用花两年读懂前人留下的代码,第一年就能拥有属于自己的模块,并且为它负责到底。

首页/行业趋势

行业趋势

2026 年下半年,内容平台的技术风向
年度观察 · AI Native 转型

推荐系统正在被 Agent 重写,而瓶颈已经从算法挪到了基础设施

今年内容平台的技术叙事有一个明显转折:AI 不再只是内容生产侧的辅助工具,而是开始接管分发决策本身。生成式召回把「找内容」变成「生成内容」,Agent 把用户的一句自然语言直接翻译成排序参数,推荐从被动猜测走向主动对话。这三件事背后同一个前提——模型得足够大、足够快、足够便宜。于是竞争焦点下移:谁能把万亿级并行推理的成本压下来,谁能让 RL 训练的稳定性撑住连续迭代,谁就能把更好的模型真正上线。校招市场随之变化,纯算法岗的门槛在往 Infra 方向倾斜,能同时看懂 loss 曲线和显存带宽的候选人变得稀缺。对 2027 届来说,这意味着准备策略要调整:算法基本功之外,至少把一套训推链路的底层跑通过一次,这会成为你区别于多数简历的那一行。

首页/关于我们

关于我们

这个站点是谁在做,为什么做

这是小红书校招的技术解析站,不是招聘公告的搬运工。做它的起因很具体:每年秋招,技术同学问得最多的问题从来不是「待遇怎么样」,而是「进去之后我到底在做什么」。官方 JD 写得严谨但抽象,「参与核心算法研发」这种句子看完仍然不知道每天面对的是什么。所以我们把岗位背后真实的工程链路拆开来讲——C 端 Agent 怎么训练,生成式召回怎么替换双塔,推理引擎怎么调度异构算力。

内容来源有三块:公开的官方招聘信息与岗位描述、技术团队对外分享的架构实践、以及社区里已经跑通的真实业务场景。我们不写宣传口径,也不替任何团队打广告;说清楚难点在哪、门槛在哪、什么人适合来,比说一堆漂亮话有用。文中涉及的具体技术细节会随版本演进,实际以团队最新披露为准。

面向谁:2027 届全球本硕博应届生,以及毕业两年内想走技术路线的同学。技术方向覆盖搜索、推荐、广告、基座大模型、AI Infra、AI Agent、大模型应用、AI Coding、多模态、语音、引擎架构、云原生、存储数据库等;工作城市包括北京、上海、杭州、深圳、武汉、广州与新加坡。REDstar 顶尖人才计划同步向毕业两年内的技术人才开放,Ace 顶尖实习生计划面向在校生,PE 产品工程师专项今年首次对校招生开放。

怎么用这个站:想快速定位方向,先看「核心功能」六条主线;想判断自己缺什么,直接读「深度知识」那篇长文末尾的准备清单;流程上的疑问(投递数量、志愿流转、笔试形式、面试轮次)去「答疑解惑」,二十个问题基本覆盖了大家真正会卡住的地方。技术这条路没有捷径,但至少可以把信息差补上,让你少走一段弯路。

首页/最新资讯

最新资讯

按发布时间倒序,覆盖校招节奏与技术动向
首页/关于我们/答疑解惑

答疑解惑

二十个问得最多的问题,点击展开
首页/用户评论

他们在说

应届生、在职工程师与 Mentor 的真实反馈