阿里云阿里云智能-数据类PaaS产品研发与架构专家/高级专家-北京/杭州/深圳/成都/南京/西安/上海

阿里专有云是与公有云同架构同源的云平台，该职位主要涉及阿里云核心自研数据类产品（大数据和数据库）等PaaS产品特性研发 以下工作但不局限于： 1.负责数据类产品核心特性规划和研发，持续构建产品核心竞争力， 2.负责设计数据类产品在专有云平台的架构集成方案，并推进部署架构整体落地 3.负责数据类产品的稳定性治理，依靠技术手段提升系统的稳定性，规避预防险恶性问题

1、 需求分析与创新：深入业务调研，分析业务痛点，将零散需求转化为可落地的产品方案。了解数据库原理，MySQL 等数据库的查询语言； 2、 需求规划与设计：能够将业务需求转化为产品功能，根据业务场景拆解指标，具备从业务角度思考数据产品价值的能力 3、 跨端协作与推动：具备优秀的团队合作精神和主人翁意识，能有效影响内外部相关方，推动产品价值实现。 4、 产品应用效果：跟进产品开发进度，参与测试环节，验证功能是否符合需求。不断收集用户反馈和使用数据，持续提升产品应用效果。

1. 负责大模型通用能力及各专业垂类能力评测体系的建设与持续迭代，覆盖工程科学、数学、物理、化学、生物、医学、法律、金融、人文社科等核心方向，搭建科学、严谨、可复现的评测体系。 2. 围绕模型智能上限设计评测方案，通过高难度推理、复杂多步任务、长程规划等真实生产力任务检验模型的能力天花板，构建能有效区分模型能力层级的高区分度评测体系。 3. 深入分析模型在真实场景任务中的 bad case，精准归因问题来源（指令遵循失败、幻觉、上下文遗忘等），输出模型能力弱点分布图谱，为算法与训练团队提供可操作的优化方向与数据反馈。 4. 持续跟踪评测领域前沿方法，对现有评测基准进行充分调研与优缺点分析，建立评测数据的版本管理与防泄露机制，保障评测集的时效性与区分度。 5. 探索评测自动评估方案，研究主观评测新方法（如 LLM-as-Judge、对比评分、多维度量表等），将主观判断转化为可量化、可复现的评估指标，持续提升评测覆盖度与效率。

负责 Hadoop、Spark、Hive、HBase、Presto、Flink、ClickHouse 等大数据集群的规划、部署与算力调优，保障集群 7×24 小时稳定运行。 负责集群日常运维、性能调优、容量规划、故障排查与问题根治，保障服务达成 SLA 指标。 负责大数据开源组件二次封装、功能迭代与漏洞修复，搭建通用工具与服务，赋能数据平台建设。 为数据分析团队提供底层技术支撑，协助解决平台使用过程中各类复杂技术问题。算机、软件工程、数学等相关专业，本科及以上学历，拥有 3 年及以上大数据研发相关工作经验。 具备中大型集群（PB 级数据量或 50~100 节点规模）整体规划、搭建与优化实战经验。 有 Hadoop、Spark、Hive、Presto 等开源框架源码修改、二次开发经验者优先。 精通 Hadoop、Spark、Hive、HBase、Presto、Flink、ClickHouse 等主流大数据生态组件。 熟练使用 Java、Python、Shell 进行开发，精通 HiveSQL 性能调优。 可独立完成需求分析、技术选型，能够设计高可用、高可扩展的大数据解决方案。 具备钻研精神与自驱力，沟通表达良好，拥有较强的抗压能力及集群应急处置能力。 具备 AI 开发能力，熟练使用主流 AI 编程提效工具（如 Codex、CodeCopilot 等）。 拥有大数据场景下大模型 Agent 设计、开发及项目落地经验者优先。 了解或掌握机器学习算法底层原理者优先。 ## Key Responsibilities * Design, deploy, optimize, and maintain large-scale big data clusters based on technologies such as Hadoop, Spark, Hive, HBase, Presto, Flink, and ClickHouse. * Ensure 24×7 stability, reliability, and performance of production data platforms through proactive monitoring, capacity planning, and performance tuning. * Troubleshoot complex system issues, conduct root cause analysis, and implement long-term solutions to meet SLA requirements. * Develop and enhance internal platform capabilities through customization, secondary development, feature enhancements, and bug fixes of open-source big data components. * Build reusable tools, frameworks, and platform services to improve engineering efficiency and support data platform evolution. * Provide technical guidance and infrastructure support for data analysts, data engineers, and business teams, helping resolve complex platform-related challenges. * Participate in architecture design, technology evaluation, and best-practice establishment for enterprise-scale data platforms. ##