想问下大家搜广推算法的前景

问题描述：

研0，大家觉得未来致力于做搜广推是个好方向吗？
小红书看到一些帖子说，这个岗位已经到头了，能做的优化越来越少。
我个人觉得这些岗位涉及的业务都蛮核心的，也应该不至于裁员裁这部分吧？
有没有了解这个岗位的朋友可以发表下自己的看法？

网友解答：

---

--【壹】--：

具体的岗位我没法给出，这得事先看导师的方向是啥(强方向自然容易出成果)，征询导师意见让Ta给出自己大论文开题的可能方向，再和你意向方向做一个trade off，而且最开始的实习我估计大部分是数据清洗类的活，这个过程中再思考自己后续做的方向吧。基模作为各家的核心，最开始很难参与进去。我不知道你说的应用岗指的是细分领域的post training相关或是agent相关或是其他，所以没法给出建议。但总之你可以先看看Kimi/GLM在招职位的要求，朝自己想做的方向去积累。

---

--【贰】--：

好的 谢谢哥，受益匪浅！我打算尽量往RAG，SFT，RLHF等这些LLM应用方向转，我的背景应该这些方向勉强够用。再次谢谢bro！

---

--【叁】--：

同学字节实习转正，同样是算法组的，转不到LLM的才去搜广推。。。另外有之前做推荐系统的卷pre training到通义去了，如果是研0，真心建议还是看看多模态的LLM或者AI infra吧，早点出去实习就明白了。

---

--【肆】--：

感谢bro的建议，我个人是末九本中九硕，多模态LLM不知道我的bar够不够？AI infra的话，我是转码的，本硕不是计算机，统计背景的，估计也不能做？

---

--【伍】--：

好的，谢谢bro。所以我理解一下，你的建议就是去做LLM相关的实习，然后努力发文章（最好到CCF A）。bro有什么具体的LLM岗位建议吗，估计基模不太够吧，转去做应用岗的llm是吗？

---

--【陆】--：

那估计就是LLM相关了，保底都能到搜广推(某种意义上后者是前者的基础，且有很多前者使用后者成熟的技术的案例，例如KV Cache管理时的RAG/TOP K)，只是实习的话，bg已经够过简历关了，剩下的就是leetcode和理论了(一般而言如果项目产出不到CCF A文章的层次，面试都只是听个大概再挑刺，到了顶会就开始问idea/方法等更多细节了)，大厂难度大的话，一上来可以先看看有没有AI LAB这种的，攒经验的同时还可以积累人脉蹭蹭论文/技术报告之类的。在这个过程中也能慢慢知道自己是更适合工业界还是更适合学术界了。