阿里巴巴业务技术-大模型&Agent算法工程师-天猫技术
任职要求
1. 计算机、人工智能、机器学习、数学或统计学相关专业硕士及以上学历，具备 LLM/AI Agent/搜索系统等相关领域经验。 2. 熟练掌握 Python，熟悉PyTorch或TensorFlow框架，深入理解大语言模型原理，掌握SFT/RL训练范式及Prompt工程。 3. 了…
工作职责
1. 负责天猫技术在各域的Agent算法优化，包括ToB和ToP相关产品，如AI商品运营、百补AI导购、品牌商家AI访谈； 2. 主导大模型后训练与领域适配，参与Agent在各业务场景下的微调于多轮对话优化，提升模型在生意诊断、运营策略、导购方案生成、工具决策等任务中的专业性与一致性。 3. 运用SFT、RL等后训练方法，设计合理Reward Function和优化函数，提升大模型在自主规划（Planning）、多步推理、工具调用、数据问答等方面的能力； 4. 负责设计并优化检索增强（RAG）系统，从索引构建、召回排序到知识融合与上下文压缩，全面提升RAG在高准确性需求场景下的效果与稳定性。 5. 深入跟踪LLM/Agent领域前沿进展，推进前沿技术在业务中的验证与落地，重点突破工具集成复杂推理、数据洞察、AI 搜索等方向的应用创新； 6. 负责建立科学评测体系，设计覆盖功能性、合规性、一致性与业务转化的多维评估指标，系统分析模型表现，指导模型与Agent策略的精准优化。
1、大模型与智能体核心能力建设： 围绕销售及大件业务场景，负责大语言模型在意图识别、规划理解、多轮对话、用户画像与偏好洞察、话题与线索分析、知识问答及 chatBI 等核心能力上的应用设计、微调与持续优化，支撑线索智能体、销售助手智能体及大件智能体等关键场景落地。 2、智能体推理链路与多智能体协同设计： 参与线索子智能体、销售助手子智能体、大件智能体与一级、三级销售智能体的大模型协同架构设计，构建基于大模型的多轮推理、任务分解与业务决策链路，提升智能体在复杂销售与大件业务场景下的理解、决策与协同执行能力。 3、智能体工程化与能力复用建设： 设计并持续优化 Prompt、RAG（检索增强生成）、工具调用及 Agent 协作机制，推动大模型、推荐及相关决策能力的工程化落地，保障智能体能力的稳定性、可扩展性与跨场景复用。 4、业务决策模型与数据驱动优化： 结合销售线索质量、智能报价与折扣策略等业务需求，支持折扣方案模型的优化与场景拓展，通过数据挖掘与分析持续评估智能体与模型效果，驱动核心能力的迭代优化与业务价值提升。
1、大模型与智能体核心能力建设： 围绕销售及大件业务场景，负责大语言模型在意图识别、规划理解、多轮对话、用户画像与偏好洞察、话题与线索分析、知识问答及 chatBI 等核心能力上的应用设计、微调与持续优化，支撑线索智能体、销售助手智能体及大件智能体等关键场景落地。 2、智能体推理链路与多智能体协同设计： 参与线索子智能体、销售助手子智能体、大件智能体与一级、三级销售智能体的大模型协同架构设计，构建基于大模型的多轮推理、任务分解与业务决策链路，提升智能体在复杂销售与大件业务场景下的理解、决策与协同执行能力。 3、智能体工程化与能力复用建设： 设计并持续优化 Prompt、RAG（检索增强生成）、工具调用及 Agent 协作机制，推动大模型、推荐及相关决策能力的工程化落地，保障智能体能力的稳定性、可扩展性与跨场景复用。 4、业务决策模型与数据驱动优化： 结合销售线索质量、智能报价与折扣策略等业务需求，支持折扣方案模型的优化与场景拓展，通过数据挖掘与分析持续评估智能体与模型效果，驱动核心能力的迭代优化与业务价值提升。
工作职责： 1、大模型与 Agent 平台架构研发：负责大模型平台、Agent 应用平台的架构设计和核心功能研发，构建云原生架构下高可用、高性能、可扩展的微服务体系，支撑模型能力从训练、部署到业务应用的端到端落地。 2、AI 生产链路与 LLMOps 建设：建设面向大模型全流程的 LLMOps / DevOps 能力，覆盖模型训练、模型管理、推理部署、服务发布、监控告警、任务诊断、效果评估等环节，提升大模型生产效率和稳定性。 3、Agent 应用平台建设：参与建设面向业务研发和算法团队的 Agent 开发平台，支持 Agent Workflow、Tool Calling、Function Calling、MCP、RAG、Memory、多轮对话、调试诊断、应用发布等核心能力，降低大模型应用开发和上线门槛。 4、Pipeline 与任务编排系统建设：负责大模型任务流、Pipeline、Argo Workflows / Kubeflow 等任务编排能力建设，提升训练、部署、评估、Agent 应用构建等复杂任务的自动化、可观测和可恢复能力。 5、平台与框架深度结合：将平台能力与训练、推理、部署、Agent Framework 深度结合，通过任务调度、弹性容灾、失败重试、资源隔离、链路追踪、性能优化等能力，端到端提升 AI 生产效率。 6、平台体验优化及业务协同：持续优化 AI 平台和 Agent 应用平台的易用性、稳定性和开发者体验，与算法、推理、训练、云原生、业务研发等团队协作，将平台能力沉淀为可复用、可规模化的标准化能力。
1、基于DeepSeek开源模型，通过LoRA/QLoRA等技术，针对房产交易场景适配微调； 2、与团队协同，构建清洗企业房产交易数据集（如房源特征、客户画像、交易政策等）。