阿里云阿里云智能-前沿部署工程师（FDE）-Forward 知识工程&智能服务-杭州
任职要求
基础条件 - 计算机、数学、统计学等相关专业，本科及以上学历。 - 3 年以上 AI 应用相关工作经验，具备扎实的工程实现能力。 - 精通 Python，熟悉主流 LLM 应用开发框架与工具链。 核心能力（必须具备） - 应用架构能力：能独立完成 LLM 应用的端到端架构设计，在 Prompt / RAG / Agent / 微调间做出合理选型并落地。 - Agent 工程化：有完整的 Agent 系统从 0 到 1 上线经验，熟悉多 Agent 编排、Tool-Use、Memory 等核心模块的工程实现。 - 交付导向：关注从原…
工作职责
岗位定位： 将大模型能力转化为可上线、可运营、成本可控的产品化能力。你将主导从问题定义到生产交付的全链路工作——做技术选型、搭应用架构、建数据闭环、构建评测体系，最终交付可持续迭代的 AI 产品。 核心职责： - 与业务、产品共创需求，将业务诉求拆解为可落地的技术方案，明确目标、边界与验收标准。 - 对所负责模块的线上质量、稳定性与成本负责，建立监控、告警与兜底机制，驱动持续迭代。 - 在 Prompt Engineering / RAG / Agent / 微调等方案间做技术选型，设计端到端应用架构（含上下文管理、工具调用、记忆机制、安全策略），完成生产级交付。 - 搭建 Agent 系统的工程化落地，包括多 Agent 协作与编排、Tool-Use（MCP 等协议）集成、Memory 管理，推动从原型到线上的完整闭环。 - 构建数据飞轮：设计采集、清洗、标注的工程化流水线，打通"上线 → 反馈 → 数据 → 迭代"循环。 - 面向业务目标设计评测指标，搭建自动化评测框架（LLM-as-Judge / Auto-rater），执行线上 A/B 实验，监控效果漂移并及时干预。
关于我们： 阿里云 CIO 线致力于打造 AI 时代业界领先的企业 IT 系统，以 RaaS（Result as a Service）模式，通过 IT 系统的构建和应用向客户直接交付成果，帮助客户在 AI 时代获得长期优势。我们视 AI 为新的生产力，并采用全新的软件开发范式来构建产品。生产关系匹配生产力，故我们设计了新的产研组织形式，不同于传统产研团队按岗位分工（PD、设计、前端、后端、测试），在新组织下我们设置了 AI 产品设计前端工程师（PDFE）。 作为AI产品设计前端工程师（Product Design Frontend Engineer，PDFE），你将构建支持众多客户业务发展的客户端应用。该角色集成了传统产研团队中 PD、UED、前端的职责，基于 AI 软件开发新范式将三者合一，负责产品设计、界面实现和用户体验。从客户需求到产品界面，你将体验效率成倍提升，产品开发从未如此高效。 你将拥有难得的机会，深入了解阿里云的业务及阿里云客户的业务，直接与一线用户合作，了解他们所面临的棘手问题和紧迫挑战，并使用最新的 AI 技术和关键业务数据来解决。无论是“精准分析需求，提升客户体验”，还是“分析业务痛点，让运营更高效”，你都将运用你的技术专长、创造力和解决问题的能力，赋能客户取得业务成果。 ● 我们是一支以成果为核心的企业 IT 产研团队，聚焦将最新的 AI 技术落地到真实业务场景中，服务企业级客户。 ● 我们期待这样的你加入：人聪明，有品味，敢担当，有冲劲，有韧性。 ● 我们希望你有这样的能力：数学思维——抽象能力强；语文表达——写出好的 Prompt；业务升维——对业务的高维认知；系统架构——能设计复杂系统；销售服务——与客户建立信任和影响。 ● 我们想让每位同学都取得最佳成果，成为更好的自己。因此我们重视个人的基模、能力和意愿，而非传统职场资历。 岗位职责： 1. 用户洞察与需求设计：深入客户业务场景，建立对用户痛点的高维认知，通过定性方法和定量指标洞见需求背后的本质问题，对于包括功能性需求、非功能性需求、业务流程和规则，用需求工程规范化地前置厘清需求； 2. 产品设计与原型构建：设计符合业务逻辑的产品架构和交互流程，产出高保真原型，使用结构化描述和智能工具，迭代验证设计方案，确保与需求精准对齐； 3. 前端工程和实现：制定前端开发任务，使用各类 AI IDE 进行高质量的编码施工，与后端以 API First 原则协同，推动高效开发，完成功能验收和上线； 4. 持续优化与创新：基于用户反馈和数据指标持续优化产品体验，探索 AI 技术在产品中的创新应用，沉淀方法论和工具，赋能团队效率提升，对外分享实践，建立个人技术影响力。
职位描述 1. 负责企业内部 AI 提效项目的前沿部署与落地，围绕市场、销售、客服、供应链、财务等核心业务场景，推动大模型与 Agent 能力在真实业务流程中产生效率提升； 2. 深入业务一线，梳理部门工作流、信息流、数据流和协作链路，识别高频、重复、低效、规则明确或知识密集型场景，设计可落地的 AI 提效方案； 3. 基于大模型、Agent 框架、RAG 知识库、多模态能力、工作流编排等技术，设计具备商业价值、工程可行性和可规模化复制能力的解决方案； 4. 负责 AI 项目从 Demo、POC 到生产环境上线的端到端推进，包括架构设计、核心功能开发、效果评估、性能优化、成本控制和交付验收； 5. 与数据、IT、业务部门紧密协作，将模型能力转化为具体业务工具，包括但不限于智能知识库、数据分析助手、客服助手、营销内容生成、会议纪要、自动报表、流程审批辅助、供应链异常分析等； 6. 持续沉淀内部高价值 AI 应用场景、通用组件、行业 Know-how、Agent 工作流和最佳实践，推动企业级 AI 能力平台化、组件化、规模化复用； 7. 关注 AI 工具在企业内部落地过程中的权限、安全、数据治理、流程适配和用户体验问题，推动 AI 应用真正融入员工日常工作流。
1. 深入调研工业（含制造、能源以及相关行业）企业生产流程与业务痛点，结合大模型与智能体技术设计定制化智能化升级方案（如产品研发、工艺优化、设备预测性维护、供应链决策优化等），输出可行性分析报告与技术路线图。 2. 基于客户场景实现模型的微调与轻量化部署，完成时序数据分析、多模态感知、工业知识库构建等任务，确保算法在公共云、智算云以及边缘AIStack的高效运行，带动MaaS服务或者智算算力的使用。 3. 主导智能体系统的开发与部署，打通智能体与工业设备、工业软件的协同链路，搭建人机协同决策框架，设计合理架构满足客户对实时性、稳定性与安全合规的要求，并且反馈需求或者沉淀代码到大模型与工业AI产品。 4. 定义并跟踪客户业务指标（如研发效率提升、OEE提升、能耗降低、供应链效率提升等），通过数据反馈迭代模型与策略，确保智能化方案达成预期ROI，推动标杆案例规模化复制。
深入重点客户业务场景，快速识别其对大模型技术的需求场景，例如知识问答、办公提效、内容生成、智能研发、辅助编程、多模态识别和生成等，端到端完成需求分析、总体方案设计、架构设计、组件研发、数据集成、系统集成等工作，推动通义千问系列模型在行业场景的落地； 主导大模型项目落地的关键技术工作，包括场景需求收集、数据解析与处理、知识抽取与向量化、RAG开发、Agent 流程编排等，协助客户完成模型选型、系统对接、用量监控、成本优化与效果迭代，确保客户可直观感知模型价值； 开发辅助工具代码降低客户接入门槛，例如测试工具、效果评测工具、数据处理工具、API 调用示例及 Demo 应用； 输出大模型落地方法论与最佳实践，包括 Prompt 模板库、RAG 优化策略、Agent 设计模式等，支持客户自主运营与规模化复制。