阿里巴巴智能算法产品事业部-AI比价产品经理-杭州
任职要求
1、有1-3年以上AI应用相关产品经验,持续学习AI技术发展&AI产品,对AI技术优势和边界有深刻理解,有AI应用落地代表作(to B优先); 2、有电商产品经验,尤其价格力相关产品经验者…
工作职责
1、构建AI驱动的商品决策信息基础设施,包含商品价格知识库构建,to C前台agent,to P价格决策agent等AI矩阵建设 2、参与全淘天价格机制策略设计,联动平台-商家-消费者多角色,提升淘天商品价格竞争力 3、持续关注并研究AI发展动态,负责AI应用在具体场景下的产品设计和策略落地,包括业务流设计、agent设计调优、工具&知识库建设、模型效果评测调优等,为AI应用效果负责。
1、负责商家端商品供给产品设计规划,重点推进AI发品应用探索,包括智能商品发布、AIGC供给应用、自动化商品管理、基于AI的商品语义理解等创新场景 2、需求挖掘:深度解析淘宝电商生态体系及消费领域特征,结合商家&平台需求,通过大模型数据分析、用户调研、竞品分析等方式,探索商家商品体系升级方向 3、方案制定:基于行业特征构建AI商品模型(如多模态商品理解、智能属性提取),理解商品体系的上下游协调价值;针对不同行业趋势、差异、竞争市场,进行方案设计,并为商家的体验和平台优质商品供给负责。 4、合作和推进:与关键业务、用户、研发、算法等合作伙伴共同推动策略目标落地,并沉淀对应的商品解决方案实现共赢,
作为阿里妈妈 AI Agent 和客户成长团队的核心技术成员,你将主导下一代广告智能体系统的架构演进与策略创新。我们致力于将前沿的 LLM 与多智能体技术深度融入大规模商业决策场景,通过构建具备高度自主性与复杂推理能力的 Agent 体系,为广告主提供从精准投放到客户全生命周期运营的智能化闭环解决方案。在这里,你将探索 AI Agent 在动态博弈、长期记忆及个性化交互中的技术边界,驱动业务实现从自动化向智能化的跨越式增长。 岗位职责 1. Agent 核心架构设计与演进: 负责高并发、低延迟的 Agent 系统底层架构设计。基于状态机(StateGraph)构建复杂的多智能体协作工作流,优化任务拆解、路由分发及自我反思(Reflexion)机制,确保系统在复杂商业场景下的鲁棒性与可解释性。 2. 策略模型迭代: 结合 RLHF/DPO 等对齐技术与强化学习(RL)算法,持续迭代 Agent 的决策策略模型。针对广告投放与客户运营场景,设计基于长期回报(Long-term Reward)的优化目标,提升 Agent 在动态环境下的自适应能力与转化效果。 3. Memory 体系建设与知识增强: 主导 Agent 长期记忆(Long-term Memory)与短期上下文管理系统的研发。构建基于向量检索与图谱融合的双轨记忆架构,实现用户画像、历史交互及行业知识的精准召回与实时更新,解决长周期对话中的遗忘与幻觉问题。 4. 业务闭环落地与工程化实践: 推动 Agent 技术在广告全链路的规模化落地,负责从原型验证到生产环境的工程化迁移。通过 MCP 协议标准化外部工具集成,建立全链路可观测性体系,利用 A/B 测试与因果推断方法量化 Agent 对业务增长的贡献。 5. 前沿技术探索与预研: 跟踪 AI Agent 领域的最新学术进展,并将其转化为可落地的技术方案,持续提升团队在智能决策领域的技术壁垒。
作为阿里妈妈 AI Agent 和客户成长团队的核心技术成员,你将主导下一代广告智能体系统的架构演进与策略创新。我们致力于将前沿的 LLM 与多智能体技术深度融入大规模商业决策场景,通过构建具备高度自主性与复杂推理能力的 Agent 体系,为广告主提供从精准投放到客户全生命周期运营的智能化闭环解决方案。在这里,你将探索 AI Agent 在动态博弈、长期记忆及个性化交互中的技术边界,驱动业务实现从自动化向智能化的跨越式增长。 职位描述 1、支持阿里妈妈核心广告产品中AI Agent相关算法能力设计和优化;构建完善与科学的营销智能体评价体系,持续优化现有Agent产品的产品能力与交互体验效果,打造行业Agent标杆; 2、针对广告投放与客户运营场景,设计基于长期回报的优化目标与奖励函数,构建复杂环境反馈预估的世界模型,通过大规模强化学习与持续学习,设计高效的奖励、环境、策略模型的协同进化算法,以提升Agent在复杂营销环境下的自适应能力与业务应用效果; 3、与工程团队紧密合作,共同定义和实现Harness能力的前沿创新,如Agent架构升级、长程任务优化、上 下文管理、working memory与长期记忆、Skill编译与自进化等领域; 4、通过持续学习算法优化,hybrid-training等方法,设计高效的自进化和终生学习方法,降低token消耗与成本; 5、探索智能体auto-research在Agent效果优化与广告算法迭代的应用,基于业务真实反馈,识别当前auto-research中的效果评价与问题,并进行针对性的优化; 6、跟踪 AI Agent 领域的最新学术进展,并将其转化为可落地的技术方案,持续提升团队在Agent算法领域的技术壁垒。