阿里云阿里云智能-AI应用算法工程师-杭州
任职要求
1. 计算机科学、人工智能、机器学习、信息安全、网络安全等相关专业优先。 2. 熟悉常见 Agent 设计模式，有实际的 AI Agent 设计与落地经验。 3. 深入理解 LLM 技术栈：Transformer 架构、Prompt Engineering、Context Engineering、RAG、MCP 等关键能力。 4. 熟悉 Agentic RL 算法（如 GRPO、PPO、RLHF 等），能够通过强化学习推动 Agent 策略优化。 5. 熟悉机器学习 / 深度…
工作职责
1. 云安全 Agent 建设： 深入理解云安全高发风险场景的分析与响应逻辑，主导包括任务编排、多 Agent 协作与权限分级管控的 Agent 架构设计。 2. 安全知识与记忆工程： 将专家分析知识与处置 Playbook 沉淀为版本化、可热更新的 Skill 与知识库。设计短期 / 长期 / 情景多层记忆机制，构建可跨 Agent 共享的用户画像与工单情景记忆。 3. 评测驱动的持续优化闭环： 构建覆盖场景数据集、离线评测、Trace 分析、根因归类到自动化回归的 Agent 评测体系，跟踪端到端解决率、意图准确率等核心指标，形成“评测 → 优化 → 回归”的自进化闭环。 4. 大小模型效果优化： 针对 Agent 运行中的幻觉、推理偏差、指令遵循不足等问题，通过 Prompt Engineering、SFT、RLHF / Agentic RL 对齐等手段对大模型做定制优化；面向异常检测、分类打标、风险打分等高频子任务，构建并调优小模型，形成与 LLM 协同的推理链路，在保障效果的同时降低延迟与成本，并沉淀高质量训练与评测数据集。
1.负责电商领域多模态大模型的方案设计与落地，包括视觉-语言、视频-语言等方向的预训练、指令微调与对齐，在商品理解、内容理解/生成、内容审核、自动打标等多个淘天营销内容场景落地 2.构建电商多模态数据管线与数据质量治理体系，覆盖采集、清洗、标注、合成与去重，确保规模化训练的数据可用性 3.设计与实现多模态融合架构（如图像/视频/音频编码器、Connector/Q-Former等、跨模态注意力），提升跨模态理解与生成建模能力 4.进行指令微调与人类反馈强化学习（SFT、DPO、RLHF 等），完善人类偏好对齐，构建高质量评测与数据闭环 5.负责设计构建vlm加速相关算法方案，包括但不限于：模型剪枝、蒸馏、推理加速等
面向业务场景，围绕大模型应用的效果质量开展设计、评测与迭代，打通「应用—反馈—数据—迭代」的闭环。具体职责包括以下方向的一项或多项： 1. 需求转译 与产品、业务共创，将业务诉求转化为可评估的 AI 任务，明确目标、指标与验收口径。 2. 方案选型 在 Prompt、检索（RAG）、上下文工程、轻量微调等路线之间进行技术选型与权衡，并完成方案落地。 3. 评测体系 设计评测指标与 Rubric，搭建离线评测集与自动评测（LLM-as-judge 与人工评审），建立线上 A/B 实验，监控指标漂移。 4. 归因与调优 定位效果问题的来源（检索、Prompt、上下文或模型），推进可验证的改进。 5. 数据建设 构造评测集与训练数据，建立数据版本与质量追踪。 6. 上线与运营 负责系统集成与发布，对线上效果、稳定性与成本负责。
将大模型能力做成可上线、可迭代、可控成本的产品能力。通过打造数据飞轮、模型适配与后训练、评测与实验等关键手段，实现端到端的闭环交付，持续提升产品的效果与稳定性。 具体职责包括以下相关方向的一项或多项： 1.需求与问题定义 ● 深入业务与产品共创需求，将诉求转化为可执行的AI任务定义，明确目标、边界、优先级与验收口径。 2.方案与应用架构 ● 在Prompt、RAG、微调、Agent等路线间做技术选型与权衡，设计端到端应用架构（含上下文、工具调用、记忆、权限与安全），并完成RAG、Memory、Tool Use、多Agent等能力的工程化落地与生产级集成。 3.数据飞轮与治理 ● 搭建高效的数据采集、清洗与标注工程流水线。前瞻性地探索合成数据与模型自标注等自循环策略，同时建立完善的数据版本追踪与质量评估体系，真正打通“模型训练-业务应用-用户反馈-数据迭代”的增强回路。 4.模型适配与后训练 ● 主导基座大模型向顶尖垂直行业专家的后训练的全链路技术演进，包括高质量的SFT、RL阶段PPO、GRPO等前沿强化学习与偏好优化算法攻坚，全面突破模型在复杂业务场景下的指令遵循精度、极致可控性与长链路逻辑推理天花板，显著提升大模型在复杂业务场景下应用能力。 5.评测体系与实验 ● 面向业务目标设计评测指标与Rubric，搭建自动化评测框架（含人工评审），建立离线基准与线上实验体系（A/B、Bandit），持续监控指标漂移与策略投机以防止效果退化。 6.生产交付与运营 ● 负责系统集成与上线发布，对线上质量、稳定性与成本负责，建立监控、告警、兜底与人工接管机制，推动持续迭代。
将大模型能力做成可上线、可迭代、可控成本的产品能力。通过打造数据飞轮、模型适配与后训练、评测与实验等关键手段，实现端到端的闭环交付，持续提升产品的效果与稳定性。 具体职责包括以下相关方向的一项或多项： 1.需求与问题定义 ● 深入业务与产品共创需求，将诉求转化为可执行的AI任务定义，明确目标、边界、优先级与验收口径。 2.方案与应用架构 ● 在Prompt、RAG、微调、Agent等路线间做技术选型与权衡，设计端到端应用架构（含上下文、工具调用、记忆、权限与安全），并完成RAG、Memory、Tool Use、多Agent等能力的工程化落地与生产级集成。 3.数据飞轮与治理 ● 搭建高效的数据采集、清洗与标注工程流水线。前瞻性地探索合成数据与模型自标注等自循环策略，同时建立完善的数据版本追踪与质量评估体系，真正打通“模型训练-业务应用-用户反馈-数据迭代”的增强回路。 4.模型适配与后训练 ● 主导基座大模型向顶尖垂直行业专家的后训练的全链路技术演进，包括高质量的SFT、RL阶段PPO、GRPO等前沿强化学习与偏好优化算法攻坚，全面突破模型在复杂业务场景下的指令遵循精度、极致可控性与长链路逻辑推理天花板，显著提升大模型在复杂业务场景下应用能力。 5.评测体系与实验 ● 面向业务目标设计评测指标与Rubric，搭建自动化评测框架（含人工评审），建立离线基准与线上实验体系（A/B、Bandit），持续监控指标漂移与策略投机以防止效果退化。 6.生产交付与运营 ● 负责系统集成与上线发布，对线上质量、稳定性与成本负责，建立监控、告警、兜底与人工接管机制，推动持续迭代。