阿里巴巴日常实习生-业务技术-AI应用算法工程师（运筹优化）

围绕真实电商核心场景，参与AI应用的系统化构建与优化，把AI变为业务增长引擎，具体工作包括： ◦ AI应用全生命周期演进： 深度参与业务问题建模、应用架构设计、上下文工程、训练数据构建、自动化评估体系、模型后训练优化等； ◦ 数据飞轮构建： 打造高质量数据生产链路，探索合成数据（Synthetic Data）与高效蒸馏技术方案，跑通“业务-模型-反馈”迭代闭环； ◦ 评测体系构建： 面向业务目标，设计完备的AI应用效果评估体系，构建自动化评估框架，建立离线评估与在线业务指标联动的量化评估能力； ◦ 强化学习与奖励机制设计： 构建可工程化的Reward体系与RL训练环境，提升模型在垂直业务场景中的可控性与泛化能力； ◦ AI外部能力体系搭建： 实现AI应用所需的知识库（RAG）、长短期记忆系统（Memory）、工具调用、多Agent协作框架等； ◦ 多模态AI应用开发： 构建AI应用的多模态感知与推理能力，解决在UI自动化、视觉理解与审核、多模态会话等场景的落地应用问题。

我们致力于通过大模型 + AI Agent + 运筹优化的深度融合，推动淘天集团物流与供应链体系的智能化跃迁。面对日均亿级订单、千万级商家、全域消费者的复杂场景，我们正在构建业界首个端到端物流智能体（Logistics AI Agent）平台，覆盖预测、质控、规划、诊断、优化等核心环节。在这里，你将： ● 学习AI Agent 在真实物流场景的规模化落地，而非仅做实验性探索。 ● 解决世界级复杂问题：从虚假发货识别到仓网优化，从时效预测到逆向体验保障，都具备极高的复杂度。 ● 定义下一代智能物流范式：融合LLM、复杂任务拆解&推理、RAG、Tools、SKill、多智能体协作，以及运筹优化决策。 ● 影响数亿消费者体验：你的算法直接决定“下单到收货”的每一环是否顺畅。 核心工作方向： ● 预测智能体（Forecasting Agent）构建支持动态策略调整、自动归因分析、AI答疑的预测 Agent，实现从“静态预测”到“主动调控”的跨越。 ● 质控智能体（Quality Control Agent）基于多源异构数据（轨迹、图像、文本、行为），打造全链路异常检测与黑灰产对抗系统，保障履约真实性与消费者信任。 ● 运筹优化智能体（OR Agent）将 LLM 与运筹学深度结合，实现自动建模 → 求解 → 仿真 → 方案生成的闭环，驱动仓网、运力、库存的全局最优。 ● 通用 Agent 能力基建深耕 RAG 多路召回、长短期记忆、Skill 自动编排、复杂任务拆解（ToT/Reflexion）、A2A 协同等核心技术，打造高可靠、可扩展的 Agent 底座。

1、主导基于大模型的AI Agent全生命周期研发，包括通用型及垂直领域AI Agent的应用构建、模型训练与评测； 2、运用SFT、RL等Post-training训练方法，提升大模型在自主规划（Planning）、多步推理、工具调用、RAG、记忆、长周期任务执行等方面的能力； 3、跟踪LLM与Agent领域的国际前沿技术动态，推动技术创新在业务场景中的落地应用，重点突破复杂推理、Agent记忆、自演进系统、Agentic RL等方向的技术创新； 4、持续优化Agent算法与系统架构，构建端到端的Agent评测体系，开发自动化评估工具与多维评价指标，提升Agent系统性能与效率，打造业内领先的AI Agent系统级技术方案。 5、具体业务/研究场景包括但不限于：面向Agent基础设施的通用系统/组件的自优化算法、记忆系统、智能运维Agent、多Agent协作系统、Harness设计、高效后训练Pipeline等

1. 探索基于强化学习的智能运维（SRE）Agent技术，通过模拟复杂故障场景训练决策策略，构建具备根因诊断、自主决策的智能系统，结合推理规划、多轮工具调用、因果推断与反事实推理等前沿技术，推动运维智能化的突破性进展。 2. 参与核心算法设计与系统开发，探索结合因果建模与反事实推理方法，解决动态环境下的根因诊断与决策优化问题。 3. 基于真实生产数据或开源数据集，搭建故障模拟环境并定义多维度奖励函数，实现多轮工具调用能力（如日志分析、指标监控、配置管理API），构建端到端的智能运维原型系统，设计对比实验评估Agent性能，撰写技术报告并参与论文或专利撰写。