阿里云阿里云智能-商业技术工程师（教育方向）-上海

1、洞察教育行业数字化转型的客户需求，规划阿里云的业务优先级； 2、拓展并维护教育行业KA客户客情关系； 3、重点教育行业KA客户的项目发掘、对接、布局，完成商务过程； 4、发掘和维护教育行业重要合作伙伴； 5、协助架构师沉淀行业解决方案； 6、协调阿里云及阿里集团内部体系，完成项目推动、落地及交付； 7、全面负责商务与服务合同。

作为合作伙伴解决方案架构师，您将负责与生态伙伴共同设计、验证并推广基于阿里云的联合解决方案，确保技术架构的领先性、可落地性及市场竞争力。您需要具备深厚的技术架构能力和行业解决方案经验，通过与合作伙伴的技术协作，将阿里云产品与伙伴技术深度融合，打造标杆级解决方案，并推动其在目标市场中的规模化推广。 核心职责 1. 联合解决方案设计与打包 • 主导与合作伙伴共同设计面向不同领域的端到端技术解决方案，整合阿里云产品（如计算、存储、AI、大数据等）与伙伴技术（如行业应用、垂直工具），确保架构的高可用性、扩展性和安全性。 • 制定技术选型标准，评估新技术/工具的适用性，并推动其与阿里云平台的集成认证（如API对接、云市场兼容性）。 • 将联合解决方案转化为可复制的技术模板或产品包，包括架构设计文档、实施指南、配置脚本、自动化部署工具等，降低伙伴实施门槛。 • 设计解决方案的技术分层架构（如IaaS/PaaS/SaaS），明确阿里云与伙伴的接口规范及责任边界。 2. 技术推广与赋能 • 通过技术研讨会、白皮书发布、客户案例分享、线上直播等形式，向合作伙伴及客户推广联合解决方案的技术优势与最佳实践。 • 协助合作伙伴完成POC验证、技术演示及客户POC，提升解决方案的市场可信度。 • 设计并实施针对合作伙伴的技术培训计划，覆盖阿里云产品集成、架构设计、API开发等关键能力。 • 编写技术文档、FAQ、故障排查手册等，形成标准化知识库，支持伙伴快速掌握解决方案实施要点。 3. 合作伙伴技术协作与交付 • 深入参与合作伙伴项目，解决技术实施中的复杂问题（如性能调优、系统兼容性、数据迁移等），确保方案落地质量。 • 与阿里云内部团队（研发、产品、交付）协作，协调资源解决技术瓶颈，推动解决方案持续优化。 • 主导或协助伙伴完成阿里云集成认证（如解决方案认证、技术兼容性认证），确保产品在阿里云市场合规上架。 4. 市场洞察与技术策略 • 深度分析（xx）领域技术趋势、客户痛点及竞争格局，提出技术路线演进建议，确保解决方案的前瞻性和竞争力。 • 结合阿里云产品，规划与合作伙伴的技术合作方向，推动联合创新。

团队介绍：1、业务方向：自助业务希望建成中小商家的业务中台，电商广告、生服广告、Dou+等多条业务线，一站式解决商家问题，助力商家成长，提升商家数字化经营能力； 2、技术亮点：自助技术分为智能销售、客户增长、营销活动几个方向； 客户增长方向主要利用Uplift建模、因果推断、运筹优化算法、推荐算法等，通过对客户初期的行为习惯进行挖掘，探索更优的发券、选品、选素材等相关策略，提升拉新指标； 智能销售方向主要通过LLM-Agent的形式，利用sft、rl等算法优化广告领域的服务能力，提升对中小客户的教育、辅导、服务等能力，进而提升长期客户消耗； 营销活动方向主要服务商业化运营团队，辅助运营完成营销活动的创建与推广。 课题背景： 为了长期优化广告客户生态以及收入增长，商业化需要更大规模的做好客户拉新和客户在投放成长初期的留存，那么如何精准定位目标人群、如何更有效的利用激励手段促进客户增长、如何优化当前客户动作和投放手段，就是一个必须要长期优化的方向。 现在的增长方向主要靠传统机器学习的手段来决策激励的发放，但效果提升已经遇到瓶颈，需要探索基于RL的因果推断技术。另一方面，客户成长初期目前无法获得足够的服务与帮助，结合上广告投放本身有较高学习门槛，所以现在亟需依赖LLM技术，实现智能销售的愿景——包括智能客服、智能销售、智能投手三个阶段，最终达到全智能化的托管式服务。 课题挑战： 相比抖音C端流量数据，广告客户数据相对波动较大，观测周期长，有更多的不确定性； 大语言模型在广告领域的能力依然不足，具体表现在领域知识理解不足，大量专业工具（百量级）的使用效率不高，业务回复的可解释性不够强。为了达到人工销售的水平，需要探索RL、探索reward system、探索deep research的实现、探索业务向Benchmark的范式等等； 相比传统客服的问答式工作，还需要探索LLM在主动服务方向的开放命题。

以大模型对话技术为核心，探索前沿技术问题，研究方向主要为垂域模型的研究与构建。目标是为用户提供专属的玩乐变美便捷生活小助手，实现“技术驱动业务范式”的升级转变，最终助力商业价值全面提升。 研究方向一：Agent能力增强 基于Agent的用户助理，研究提升Agent自主规划能力，并通过Agent构建和基于后训练的优化，实现数字助理的能力复刻和增强。 研究方向二：强化学习算法研究 参与大语言模型后训练阶段的强化学习算法研究，包括基于AI和环境反馈的强化学习（RLXF）算法。同时探索奖励模型与反馈机制，研究可泛化的细粒度过程监督和奖励建模，探索基于细粒度反馈的强化学习算法。 研究方向三：垂域模型定制化构建 领域认知智能突破，探索小样本场景自演进架构设计、可信推理机制构建等方向，同时建立面向AGI的模型评价体系新范式。 研究方向四：精准上下文理解与长程依赖建模 研究如何高效、准确地捕获和利用复杂的项目级上下文信息（如整个代码库、依赖关系、API文档、Issue跟踪等），探索能够处理超长代码序列、理解跨文件依赖和项目架构的先进模型结构与表征方法，以支持更精准、更全局的代码智能，从而提升业务研发在存量代码中迭代的效率。