阿里云阿里云智能-AI Agent 解决方案架构师-政企事业部（北京/上海/杭州）

1、了解一个或多个领域的业务知识，与客户有效沟通并分析客户需求，识别出AI技术的行业/领域价值场景，协助客户设计应用的智能化路径。 2、理解机器学习、深度学习、大模型、智能体的基本原理，基于云+AI的产品设计AI解决方案，与技术服务团队协同，快速搭建智能体应用场景，结合产品解决方案优势和性价比，影响客户的技术选型决策。 3、依据市场/客户需求、技术动态，结合技术研判向产研部门反馈大模型应用解决方案及Agent工具等的优化建议，推动技术创新和解决方案的迭代升级，提升AI 解决方案、算法以及工具链竞争力。 4、挖掘可复制、可规模化、符合市场逻辑的大模型解决方案，通过客户案例的落地对成功实践进行总结归纳完成从0到1；并对内部团队及客户进行知识和项目分享，促进从1到N的复制。 5、关注最新技术趋势和行业动态，分享技术资源和经验，进行技术分析报告撰写，并与合作伙伴开展技术合作项目。

1、深入行业（金融、汽车、游戏、电商等）业务链路，主动挖掘高价值的Agent应用场景，定义Agent的业务边界，设计面向复杂任务的智能工作流与多步骤规划方案； 2、基于火山方舟平台，负责Agent系统的端到端设计与实现，涵盖Context Engineering（上下文工程）、State Management（状态管理）、Tool Orchestration（工具编排）及Memory（长短期记忆）等核心组件的调优； 3、针对Agent在特定行业的需求，设计闭环的效果评估体系；协同算法团队进行SFT（微调）与Prompt策略调优，解决Agent在实际场景中的问题； 4、沉淀Agent架构设计的最佳实践，输出可复用的Agent资产库（如标准Skill、Sandbox配置、行业提示词模板）。

产品规划 1. 负责 AI 产品的中长期规划与版本路线设计，持续跟踪大模型、Agent、多模态等技术演进趋势，评估其对产品方向、功能边界、商业模式及竞争格局的影响，动态调整产品策略与优先级，确保产品方向与技术可行性、市场窗口和商业价值保持一致。 2. 深入理解用户任务、业务流程和使用场景中的痛点，抽象出高价值、可标准化、可规模化的 AI 应用场景，形成清晰的产品定义、场景边界和优先级判断。 3. 持续跟踪 AI 领域竞品、基础模型能力变化及生态格局，分析市场机会、潜在替代风险和能力空心化风险，识别新的增长机会，并为产品定位、竞争策略和能力布局提供输入。 4. 规划产品从0-1 到 1-N 的演进路线，结合市场验证、客户反馈和商业化目标，推动产品能力持续完善与规模化复制。 AI能力产品化 1. 深入分析客户任务链路和业务流程，识别适合被 AI 重构与优化的关键环节，设计 AI 原生的产品形态、交互模式、配置机制和使用体验。 2. 协同算法团队确定模型选型、能力边界、输入输出和优化方向，将模型能力转化为可用、可配置、可规模化复制的产品功能，提升产品使用价值和用户体验。 3. 在产品方案设计和版本演进中，综合平衡效果、成本、时延、稳定性和可解释性，推动产品在业务价值、用户体验与工程可行性之间实现最优解。 风险控制与安全设计 1. 识别 AI 产品中的幻觉、误答、越权、敏感内容、安全和合规风险，设计异常处理、权限控制、人机协同与人工兜底机制，提升产品在关键场景下的稳定性与可控性。 2. 结合业务场景建立风险分级与安全边界，明确不同场景下的适用范围、限制条件和处理策略，保障 AI 产品在不同场景下稳定、可控、合规地使用。 效果评测 1. 负责 AI 产品效果评估体系建设，围绕产品目标和业务场景，建立覆盖模型效果、任务完成、用户体验和业务价值的评测框架。 2. 协同评测、算法、研发和业务团队构建评测指标体系与业务指标体系，明确评测维度、评价标准、评分机制、样本构成和权重设计，确保指标具备指导性、可衡量性和可执行性。 3. 设计和推动标准评测集、业务测试集和典型案例库建设，覆盖核心场景、高风险场景和边界场景，为版本评估、能力比较和优化决策提供依据。 4. 推动建立 AI 产品的线上线下评估机制，结合离线评测、灰度验证、线上行为数据、人工反馈和业务结果，综合判断产品能力和版本效果。 5. 基于评测结果识别关键问题与优化方向，区分模型问题、知识问题、工作流问题、交互问题和场景匹配问题，推动产品、算法和工程侧形成针对性的优化方案。 6. 负责评测结果在产品规划和版本迭代中的应用，将评测结论转化为产品能力优化、场景边界调整、配置策略优化和版本优先级判断依据，形成持续优化闭环。 项目管理 1. 负责跨团队沟通与项目推进，协调算法、研发、测试、运营、业务等相关团队，推动需求评审、开发、测试、上线和复盘等环节高效协同。 2. 建立项目节奏、风险预警和关键事项跟踪机制，确保产品版本按计划推进并实现预期目标。 产品的经营支持 1. 协同前线团队开展产品经营分析，结合市场表现、竞品动态和业务数据，输出产品经营洞察和改进建议，为业务拓展策略和 GTM 计划提供支持。 2. 结合产品能力、优势场景和伙伴能力图谱，参与生态合作与增长模式设计，推动基于生态的规模化增长和可持续合作机制建设。 产品上市 1. 制定产品上架策略制定与发布节奏规划，推动按计划上线并与市场、内部形成一致、准确的表达。 2. 主导产品GTM材料编写，协助pdsa、销售和市场团队完成价值传递和营销推广支持。 3. 推动标杆客户案例建设，形成可复制的行业方案、最佳实践和销售支持材料。 4. 产品商机挖掘，负责产品的目标市场分析，商机沉淀和情报沉淀，为重点场景突破和产品迭代提供支持。 产品持续改进 1. 持续跟踪客户对产品的使用情况，合理安排需求优先级，推动产品改进，新产品或功能孵化，提升产品易用性、稳定性、安全性、性能和成本效率。 2. 负责 AI 产品反馈闭环建设，沉淀高频问题、失败样本和业务评测数据，协同算法与研发团队持续优化模型效果和产品体验。

1、构建电商Agent核心大脑与前沿技术落地：探索主流Agent框架，如LangGraph、OpenClaw、Hermes、Codex、Claude Code等，构建稳定可靠的Valley-Agent基座，重点提升任务的自动规划与调度、工具调用、多模态交互及深度研究能力；持续追踪AI Agent领域的最新进展（如Codex,OpenClaw,Hermes,ClaudeCode等），引入并验证新技术的可行性，沉淀技术文档与最佳实践，推动前沿技术在国际电商治理场景的创新应用； 2、打造电商场景Skills工具集：基于电商业务系统，构建和优化一系列高性能、可复用的Skills。这包括利用小尺寸模型打造支撑高QPS场景的基础模型工具集，也包括将复杂的业务SOP（标准作业程序）封装为稳定可调用的治理Agent（如审核、RCA、立规Agent）； 3、研发与优化Agentic RL：基于主流Agent框架，并结合Post-training技术（SFT/RLHF）与强化学习（PPO/GRPO）对模型进行持续优化，建立电商大模型的Agentic RL训练体系，提升模型在复杂问题上的准确率与动态反思能力； 4、探索Agent自动化与自进化：结合Auto-Workflow与多智能体系统（MAS），一方面支持工作流的自动生成与优化，另一方面探索基于Agentic RAG和Memory机制的自进化（Self-Evolution）闭环，让Agent能够从真实交互数据中学习，持续提升其决策与执行能力； 5、构建稳定可靠的Agent基础设施：负责Agent系统的性能与稳定性优化，包括资源利用、QPS、成本控制、环境交互速度等，并沉淀通用能力，构建包含可观测性与权限体系的Agent Infra，保障系统的安全可控。