阿里巴巴1688-大模型(Agentic AI)算法工程师-杭州

1. 负责多模态大模型在产业链场景中的算法设计、研发及优化，推动模型在电商Agent的意图识别、规划、工具调用、报告生成等多个业务环节的落地与效果提升； 2. Agent业务相关垂直领域模型 多模态agent 数据合成/后训练，后训练VLM为代表的Agent通用能力（如tool use, planning等）增强，增强工具链路调用、知识图谱推理、report生成能力； 3. 参与AI Agent产品的需求分析、技术选型、方案设计、用户体验提升等，发现算法提升对于AI Agent落地的价值，参与下一代AI agent产品打造；

团队介绍：风控算法团队深耕于抖音（短视频、直播、电商、本地生活等）、今日头条等多个字节系业务，涵盖内容、交易、流量、账号等多个场景的底线风险治理、黑灰产对抗及复杂反作弊等关键任务。风控场景具有对抗性极强、逻辑推理链路长及海量多模态数据等挑战。目前，团队正积极推进大语言模型（LLM/MLLM）与 Agentic AI 技术的深入研究与工业化落地。通过探索前沿的模型训练范式、自主规划的 Agent 架构以及严谨的 Harness Engineering 体系，我们致力于打造下一代智能风控基础设施，为十亿级用户的社区生态保驾护航。 课题介绍： AI 技术的飞速发展大幅提升了风控场景下的风险识别与对抗能力，但仍面临多维度挑战：主流 SOTA 大模型在强对抗风险内容理解及 AIGC 深度伪造识别上存在明显瓶颈；面对黑产手法的瞬息万变，风控亟需建设基于 Agent 的自主对抗方案，以强化对抗时效并降低运营成本；针对风控场景依赖数据多、判别规则复杂的挑战，需重点突破跨模态长上下文信息抽取及复杂合规标准的指令遵循难题。 本课题将通过大模型全链路优化、智能 Agent 体系建设与范式创新，系统性提升全场景风控的智能化水平。 课题挑战： 1、打造具有优势的风控垂域大模型基座：深入研究CPT、SFT、RL及训练与推理加速等技术的突破与创新；重点攻克强对抗环境下的多模态（文本、图片、音频、视频）理解难题，提升模型在超长上下文、复杂逻辑推理和精准指令遵循等方面的表现； 2、Agentic AI架构研究与演进：探索与推进风控 Agentic AI的架构设计和工业化落地，打磨领域Skill/Tool框架，优化复杂工具调用、长短期记忆管理、长链路任务编排和Multi-Agent协同等，打造具备自演进能力的下一代智能风控架构； 3、大模型结构化数据的理解和应用：探索大模型与结构化数据（如行为序列、图谱及表格等）的深度融合方案，研究包括数据语义化表征、跨模态对齐及 Graph-LLM 等前沿架构，利用 LLM 的推理能力，提升复杂风控场景下的风险识别精度与决策可解释性； 4、科学评估与Harness Engineering体系构建：构建高质量的领域数据集，设计科学严谨的Benchmark评测体系，构建工业级Harness Engineering系统，确保模型能力的规模化验证与安全性，持续驱动模型能力边界的突破。 课题价值： 1、打造具有优势的风控垂域大模型，显著增强对复杂、跨领域风险的识别，从底层降低风险漏过率； 2、定义风控场景 Agentic AI 的落地范式，构建自演化对抗体系，在持续对抗新型风险的同时，大幅降低人工运营成本。

团队介绍：风控算法团队深耕于抖音（短视频、直播、电商、本地生活等）、今日头条等多个字节系业务，涵盖内容、交易、流量、账号等多个场景的底线风险治理、黑灰产对抗及复杂反作弊等关键任务。风控场景具有对抗性极强、逻辑推理链路长及海量多模态数据等挑战。目前，团队正积极推进大语言模型（LLM/MLLM）与 Agentic AI 技术的深入研究与工业化落地。通过探索前沿的模型训练范式、自主规划的 Agent 架构以及严谨的 Harness Engineering 体系，我们致力于打造下一代智能风控基础设施，为十亿级用户的社区生态保驾护航。 课题介绍： AI 技术的飞速发展大幅提升了风控场景下的风险识别与对抗能力，但仍面临多维度挑战：主流 SOTA 大模型在强对抗风险内容理解及 AIGC 深度伪造识别上存在明显瓶颈；面对黑产手法的瞬息万变，风控亟需建设基于 Agent 的自主对抗方案，以强化对抗时效并降低运营成本；针对风控场景依赖数据多、判别规则复杂的挑战，需重点突破跨模态长上下文信息抽取及复杂合规标准的指令遵循难题。 本课题将通过大模型全链路优化、智能 Agent 体系建设与范式创新，系统性提升全场景风控的智能化水平。 课题挑战： 1、打造具有优势的风控垂域大模型基座：深入研究CPT、SFT、RL及训练与推理加速等技术的突破与创新；重点攻克强对抗环境下的多模态（文本、图片、音频、视频）理解难题，提升模型在超长上下文、复杂逻辑推理和精准指令遵循等方面的表现； 2、Agentic AI架构研究与演进：探索与推进风控 Agentic AI的架构设计和工业化落地，打磨领域Skill/Tool框架，优化复杂工具调用、长短期记忆管理、长链路任务编排和Multi-Agent协同等，打造具备自演进能力的下一代智能风控架构； 3、大模型结构化数据的理解和应用：探索大模型与结构化数据（如行为序列、图谱及表格等）的深度融合方案，研究包括数据语义化表征、跨模态对齐及 Graph-LLM 等前沿架构，利用 LLM 的推理能力，提升复杂风控场景下的风险识别精度与决策可解释性； 4、科学评估与Harness Engineering体系构建：构建高质量的领域数据集，设计科学严谨的Benchmark评测体系，构建工业级Harness Engineering系统，确保模型能力的规模化验证与安全性，持续驱动模型能力边界的突破。 课题价值： 1、打造具有优势的风控垂域大模型，显著增强对复杂、跨领域风险的识别，从底层降低风险漏过率； 2、定义风控场景 Agentic AI 的落地范式，构建自演化对抗体系，在持续对抗新型风险的同时，大幅降低人工运营成本。

1、负责 Agentic Coding 相关产品的整体规划与落地，包括但不限于：AI Coding Agent 的能力设计（Planning、Tool Use、Multi-step Reasoning、Memory、Reflection 等），编码、调试、测试、重构、代码审查等 Agentic 工作流设计； 2、深度理解 LLM 在软件工程场景中的能力边界与工程约束，将模型能力转化为稳定、可规模化的产品功能； 3、与算法、工程团队紧密协作，推动：Prompt / Tool / Agent 框架设计，模型能力评估与迭代（如代码正确率、执行成功率、任务完成率等）； 4、设计和优化 AI Coding 产品的用户体验，包括：IDE / Web / CLI 等使用形态、Human-in-the-loop 交互机制、失败兜底与可解释性设计； 5、持续跟进 AI Coding、Agent、LLM Infra 领域的前沿进展，将研究与工程能力转化为产品竞争力； 6、参与产品上线后的数据分析、用户反馈闭环和长期路线图规划。