阿里巴巴研究型实习生 - AI和LakeHouse时代的HTAP查询性能优化研究
任职要求
1. 对数据分析领域有充分的热情，坚持做solid，可落地的研究； 2. 计算机科学、软件工程或相关专业博士、优异的研究型硕士； 3. 扎实的工程能力，有过复杂系统的调优经验。 加分项： 1. 擅长算法和数据结构，在OI/ACM比赛中获得过突出成绩； 2. 在数据库和系统领域发表过论文，包括不…
工作职责
Stonebraker在SIGMOD上对数据库发展20年进行了回顾：尽管过去二十年间KV、NoSQL、MapReduce等技术多次对SQL系统发起挑战，但其生命力却愈发蓬勃——这种""不断兼并挑战者""的韧性，恰恰印证了关系型数据库在数据管理领域的统治力。 其根本的底层逻辑是：随着内存容量突破TB级、NVMe SSD延迟进入微秒时代，硬件工艺的指数级跃迁，曾经为性能瓶颈而生的专用数据处理系统（如OLAP、时序数据库）正呈现大一统趋势。 AI时代，人们比任何时候都更清醒地认识到——数据依然是驱动智能的核心，我们期待对底层研究富有激情的你共同探索数据处理的新范式。 1 期待你通过创新的方法实现SQL性能在新场景下的数量级的提升，将学术成果发表成CCF-A类论文，可进一步在阿里云落地和贡献给开源社区。 2 研究方向包括不限于： 1) 多模态HTAP数据分析性能加速； 2) SQL在多模态场景下的语义扩展； 3) 探索SQL执行引擎范式，突破code gen和向量化执行等上一代执行模式； 4） 针对新硬件设计新的SQL算子和数据结构。
基于大模型（如通义千问）构建多因素（源库、目标库、源端网络、目标端网络、数据传输链路）根因分析与解决方案推建系统，并解决系统构建中的关键算法和技术，包括如下几方面： 1、设计合适的prompt，基于已有数据对模型finetune，并实现部署和线上应用； 2、构建知识库实现专家知识结构化，引入双向反馈通道，使能模型具备持续迭代能力； 3、与DTS工程团队一起上线系统，实现DTS线上异常任务自愈恢复。
1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化 2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。 3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等 4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。
我们正在寻找对 AI Agent、长短期记忆机制（Memory Mechanism） 有浓厚研究兴趣和实战热情的实习生，加入我们。你将参与构建能够“持续进化”的AI Agent应用，通过设计先进的记忆系统，让模型不仅能听懂当下的指令，更能记住历史背景、理解业务偏好，并从错误中自我学习。 【岗位职责】 记忆架构设计：探索与实现面向真实业务场景的长短期记忆框架，解决多轮 对话中的上下文丢失与指代消解问题。 经验池与自我演进：研究基于历史查询经验/专家经验的增强方案，利用 Self-Reflection 或 Reinforcement Learning 技术，使 Agent 能够从历史报错或用户反馈中学习，提升复杂 问题的成功率。 前沿算法探索：跟踪 MemGPT、Generative Agents、Hierarchical Memory 等 Agent 领域的最新研究，在AI Agent 任务上验证并改进相关论文算法，产出高质量实验结论。
1）负责研发软硬件协同的优化能力，提升集团各训推场景在异构资源上计算性能，进一步提高资源利用率。 2）负责设计、实现、维护 AI 和高性能计算所需要的高性能网络通信框架和大模型推理场景的性能优化，聚焦模型通信场景的能力建设，完善集合通信、点对点通信等通信方式与推理框架的联合方案设计，推动提升推理性能。