阿里巴巴数据技术及产品部-AI数据工程师-LLM/VL方向
社招全职2年以上地点：北京 | 杭州状态：招聘
任职要求
1、AI + 数据双栈能力：精通 Python，熟悉 SQL/Shell；理解 LLM、音频/视频模型、多模态模型等基础原理；具有大模型数据构造、清洗、合成或质量评估相关实践经验； 2、多模态数据能力：熟悉文本，或图像/视频/音频中任一模态的特征工程、理解/分类/识别算法或质量建模方法；具备深度学习模型训练实践(PyTorch/TensorFlow)； 3、数据工程基础扎实：熟悉主流大数据平台(Spark/Flink/MaxCompute/Hadoop/RAY)；具备 ETL、数据建模、数据 Pipeline 或数据仓库建设经验；了解大规模文本/图像/视频数据处理者更佳； 4、AI Native 工作流思维：熟悉 Agent、LLM 工具链，对如何将 LLM 融入数据生产、数据分析、数据治理流程有实…
登录查看完整任职要求
微信扫码，1秒登录
工作职责
1、参与集团级 AI 数据引擎：负责文本、图像、视频、音频等全模态数据的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型预训练与后训练的高质量数据供给； 2、多模态数据智能化处理：主导文本、图文、视频、文档、语音等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理； 设计并训练分类、识别、caption、质量打分、预测等模型； 3、AI Native 数据 Pipeline 建设：使用 LLM + VLM + Agent 框架构建智能数据 Pipeline，实现分渠道采集、过滤、去重、质量诊断、标注/改写生成、调度编排与异常告警等环节的自动化，显著降低人力成本； 4、稀缺与高价值数据挖掘：面向网页/PDF/百科/私域/query 等文本场景，以及 real world(巡店/巡检/巡仓)、医疗、教育、OCR、GUI/多模态轨迹等视觉场景，通过"真实采集 + 人工标注 + 模型蒸馏 + 数据合成"四源策略，产出稀缺、高价值、差异化的数据集； 5、数据 & 模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集与合成方案，在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现"数据—模型—评测—数据"的循环优化； 6、算法与工程一体化协作：与模型团队协作，参与训练数据构造、数据反哺、短板挖掘与评测闭环建设，通过数据驱动模型能力提升，成为 AI 模型训练的数据核心驱动力。
包括英文材料
Python+
https://liaoxuefeng.com/books/python/introduction/index.html
中文，免费，零起点，完整示例，基于最新的Python 3版本。
https://www.learnpython.org/
a free interactive Python tutorial for people who want to learn Python, fast.
https://www.youtube.com/watch?v=K5KVEU3aaeQ
Master Python from scratch 🚀 No fluff—just clear, practical coding skills to kickstart your journey!
https://www.youtube.com/watch?v=rfscVS0vtbw
This course will give you a full introduction into all of the core concepts in python.
SQL+
https://liaoxuefeng.com/books/sql/introduction/index.html
什么是SQL？简单地说，SQL就是访问和处理关系数据库的计算机标准语言。
https://sqlbolt.com/
Learn SQL with simple, interactive exercises.
https://www.youtube.com/watch?v=p3qvj9hO_Bo
In this video we will cover everything you need to know about SQL in only 60 minutes.
Bash+
[英文] The Bash Guide
https://guide.bash.academy/
A quality-driven guide through the shell's many features.
https://www.youtube.com/watch?v=tK9Oc6AEnR4
Understanding how to use bash scripting will enhance your productivity by automating tasks, streamlining processes, and making your workflow more efficient.
大模型+
https://www.youtube.com/watch?v=xZDB1naRUlk
You will build projects with LLMs that will enable you to create dynamic interfaces, interact with vast amounts of text data, and even empower LLMs with the capability to browse the internet for research papers.
https://www.youtube.com/watch?v=zjkBMFhNj_g
特征工程+
https://www.ibm.com/think/topics/feature-engineering
Feature engineering preprocesses raw data into a machine-readable format. It optimizes ML model performance by transforming and selecting relevant features.
https://www.kaggle.com/learn/feature-engineering
Better features make better models. Discover how to get the most out of your data.
算法+
https://roadmap.sh/datastructures-and-algorithms
Step by step guide to learn Data Structures and Algorithms in 2025
https://www.hellointerview.com/learn/code
A visual guide to the most important patterns and approaches for the coding interview.
https://www.w3schools.com/dsa/
深度学习+
https://d2l.ai/
Interactive deep learning book with code, math, and discussions.
PyTorch+
https://datawhalechina.github.io/thorough-pytorch/
PyTorch是利用深度学习进行数据科学研究的重要工具，在灵活性、可读性和性能上都具备相当的优势，近年来已成为学术界实现深度学习算法最常用的框架。
https://www.youtube.com/watch?v=V_xro1bcAuA
Learn PyTorch for deep learning in this comprehensive course for beginners. PyTorch is a machine learning framework written in Python.
TensorFlow+
https://www.youtube.com/watch?v=tpCFfeUEGs8
Ready to learn the fundamentals of TensorFlow and deep learning with Python? Well, you’ve come to the right place.
https://www.youtube.com/watch?v=ZUKz4125WNI
This part continues right where part one left off so get that Google Colab window open and get ready to write plenty more TensorFlow code.
大数据+
https://www.youtube.com/watch?v=bAyrObl7TYE
https://www.youtube.com/watch?v=H4bf_uuMC-g
With all this talk of Big Data, we got Rebecca Tickle to explain just what makes data into Big Data.
Spark+
[英文] Learning Spark Book
https://pages.databricks.com/rs/094-YMS-629/images/LearningSpark2.0.pdf
This new edition has been updated to reflect Apache Spark’s evolution through Spark 2.x and Spark 3.0, including its expanded ecosystem of built-in and external data sources, machine learning, and streaming technologies with which Spark is tightly integrated.
Flink+
https://nightlies.apache.org/flink/flink-docs-release-2.0/docs/learn-flink/overview/
This training presents an introduction to Apache Flink that includes just enough to get you started writing scalable streaming ETL, analytics, and event-driven applications, while leaving out a lot of (ultimately important) details.
https://www.youtube.com/watch?v=WajYe9iA2Uk&list=PLa7VYi0yPIH2GTo3vRtX8w9tgNTTyYSux
Today’s businesses are increasingly software-defined, and their business processes are being automated. Whether it’s orders and shipments, or downloads and clicks, business events can always be streamed. Flink can be used to manipulate, process, and react to these streaming events as they occur.
Hadoop+
https://www.runoob.com/w3cnote/hadoop-tutorial.html
Hadoop 为庞大的计算机集群提供可靠的、可伸缩的应用层计算和存储支持，它允许使用简单的编程模型跨计算机群集分布式处理大型数据集，并且支持在单台计算机到几千台计算机之间进行扩展。
[英文] Hadoop Tutorial
https://www.tutorialspoint.com/hadoop/index.htm
Hadoop is an open-source framework that allows to store and process big data in a distributed environment across clusters of computers using simple programming models.
还有更多 •••
相关职位
社招2年以上技术类-开发
1、深度参与Qwen-Image基模的数据处理、交付、评测完整链路， 助力模型成为全球最领先的图像生成/编辑模型； 2、通过agent框架，建设不同场景的数据合成链路，实现垂域高质量图片数据的规模化合成； 3、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 4、构建海量的图片检索引擎，满足垂域数据的高质量检索需求； 5、与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；
更新于 2026-06-24杭州
社招1年以上技术类-数据
1、参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给； 2、多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理；设计并训练分类、识别、预测等多模态模型； 3、AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本； 4、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 5、数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长； 6、与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；
更新于 2026-06-18杭州
社招2年以上技术类-数据
1、主导面向Agent的新型数据语义层架构设计与落地，推动数据资产从数据表向智能体可理解、可调用、可推理的消费模式演进； 2、负责端到端数据建模设计与开发交付，基于流批一体架构（Flink + Spark + Paimon）实现业务模型的统一构建与服务； 3、负责数据质量治理与链路稳定性保障，建立覆盖全链路的监控告警、血缘追踪，确保关键数据任务满足SLA要求；
更新于 2026-07-01杭州
社招3年以上技术类-开发
1、负责数据采购与治理：负责大模型的引入->结算链路治理与机制建设，通过技术方式解决各个环节问题，提升全链路时效 2、参与AI 能力建设：基于大模型设计智能数据分析与自动化系统，负责 Agent 任务规划、工具调用及运行时稳定性建设 3、跟进技术演进：跟踪 AI 工程化、RAG、实时数仓等前沿技术，推动自动化工具在数据采购与治理流程中的落地
更新于 2026-06-26杭州