阿里巴巴业务技术-AI数据研发工程师（Agent&湖仓）-物流技术
任职要求
1、丰富的大数据研发经验，主导过复杂数据体系从0到1建设或大规模演进；能结合业务场景设计高复用、可扩展的数据资产体系，有物流、供应链等复杂业务经验者优先； 2、具备面向AI消费的数据资产设计与建模能力，熟悉数据Agent架构、RAG、向量数据库、知识图谱等技术，有大模型驱动的数据查询、推理或智能任务编排项目经验； 3、深入理解湖仓一体架构，具…
工作职责
1、参与淘天物流全域数据体系的规划与建设，构建高一致性、高复用的实时与离线融合数据资产底座，打造统一、可靠、可产品化的数据服务能力； 2、面向AI原生时代，设计并落地面向大模型与智能Agent消费的数据资产与知识库体系，重构数据的组织、语义表达与服务方式，支撑AI系统的高效理解、推理与决策； 3、深度洞察物流业务场景，探索大数据与AI融合的创新路径，通过数据Agent、RAG、任务编排等技术手段，推动数据从“被动响应”向“主动建议”演进，实现智能化运营闭环； 4、主导或参与湖仓一体的数据架构演进，推动数据采集、治理、质量保障、智能加工与自动化运维体系的持续优化，夯实物流业务高效运转的数据基石。
1.数据研发与治理：负责淘天自营业务数据仓库的模型设计、ETL 开发及数据集市建设，保障 PB 级数据的质量、稳定性与产出效率。 2.AI数据应用开发：参与基于大模型（LLM）的数据应用开发，包括 Agent、RAG、NL2SQL 等功能的实现，提升业务方的数字化经营效率和数据研发的工作效率。 3.业务支持与落地：深入理解业务需求，定位业务问题，给出解决方案并转化为可落地的数据产品或服务，协助解决业务痛点。
1. 参与构建淘天全域营销知识AI基础设施，负责将海量、多源的营销业务知识（如商品信息、权益规则、活动策略、用户行为等）进行结构化、体系化的组织与沉淀； 2. 设计并开发高效、鲁棒的知识处理工作流，包括但不限于：多模态（文本、图像、结构化数据）营销数据的清洗、融合、加工与向量化，为上层AI应用提供高质量的“燃料”； 3. 探索并实践知识检索增强（RAG）架构，参与设计面向营销场景的语义检索、混合检索方案，提升AI模型在复杂营销问答、策略生成等任务中的准确性与可解释性； 4. 参与营销领域本体（Ontology）的构建与迭代，将业务专家的经验和逻辑转化为机器可理解的知识图谱，推动营销知识的标准化和智能化应用； 5. 紧密协同算法、产品及业务团队，深入理解营销业务痛点，将业务需求转化为可落地的数据与AI解决方案。
1. 参与构建淘天全域营销知识AI基础设施，负责将海量、多源的营销业务知识（如商品信息、权益规则、活动策略、用户行为等）进行结构化、体系化的组织与沉淀； 2. 设计并开发高效、鲁棒的知识处理工作流，包括但不限于：多模态（文本、图像、结构化数据）营销数据的清洗、融合、加工与向量化，为上层AI应用提供高质量的“燃料”； 3. 探索并实践知识检索增强（RAG）架构，参与设计面向营销场景的语义检索、混合检索方案，提升AI模型在复杂营销问答、策略生成等任务中的准确性与可解释性； 4. 参与营销领域本体（Ontology）的构建与迭代，将业务专家的经验和逻辑转化为机器可理解的知识图谱，推动营销知识的标准化和智能化应用； 5. 紧密协同算法、产品及业务团队，深入理解营销业务痛点，将业务需求转化为可落地的数据与AI解决方案。
1.湖仓一体底座架构建设：参与构建&优化淘天营销&交易大数据湖仓（Lakehouse），深度融合Iceberg/Hudi/Paimon等表格式与Flink（实时）、Spark（离线）、Hologres/StarRocks（交互式分析）等计算引擎，打造高性能、可靠的数据服务平台。 2.打造AI就绪的知识库：主导从原始多模态业务数据（如业务文档、用户行为日志、交易记录、商品图文等）到结构化知识资产的端到端 pipeline 建设。通过数据清洗、实体识别、关系抽取、知识融合等技术，构建覆盖营销、商品、交易全链路的统一业务知识库（含数据模型、数据血缘、知识图谱），为大模型提供强大的增强生成（RAG/GraphRAG/OAG等）能力。 3.驱动数据研发效能革命：设计并开发元数据驱动的自动化工具链（如智能建模、自动ETL、智能数据血缘追踪），将复杂的湖仓和知识库构建过程产品化、低代码化，极大提升团队的数据生产效率和研发体验。