美团数据智能应用研发负责人
任职要求
1. 对 AI 有近乎偏执的热情：不局限于理解，而且亲手实践过 AI应用开发相关技术，包括Function Calling Orchestration、Multi-tool reasoning & planning、ReAct 、LangGraph 、RAG 等； 2. 实战派与产品意识： 在 AI for Data 领域（如 SQL 生成/改写、ETL 诊断等）有过“沾泥土”的一手落地经验。理解产品应用从demo到生产级的本质区别，并懂得如何…
工作职责
1. 推进 AI 与下一代数据开发平台的深度融合：从数仓建设、任务开发、生产调度到数据分析，数据治理，我们要用 AI Agent 让这些核心场景“活”起来； 2. 构建 AI Native 的大数据工作流： 你将主导构建基于 Task Planning 和 Function Calling 的新一代数据工作流。我们不想要死板的调度，我们要的是能自主推理的 Agent Graph 和 Agent Flow； 3. 让数据更智能、让产品交互更有洞察力： 打造 Text2SQL、ChatBI 和智能归因能力。你的目标是让非技术人员也能通过自然语言，流畅地驾驭海量数据； 4. 挑战工程极限：深入 SQL 生成、自动纠错、资源智能调优等硬核领域。这不仅是 Prompt Engineering，更是对 Query Engine 和 LLM 边界的探索； 5. 打造一支特种部队： 带领 10人左右的的精英工程团队，不仅是分配任务，更是技术布道。你要通过 Code Review、技术规划和人才培养，打造一支在大模型时代能打硬仗的队伍。
随着大模型与智能体系统的发展，数据正从“静态燃料”演变为“动态认知基础设施”。传统数据处理范式难以满足Agent工作流、强化学习、RAG等新场景对语义理解、任务适配与反馈闭环的需求。一系列重要问题亟需重新思考：什么是面向未来 AI 系统的“高质量数据”？如何构建可解释、可组合、可迭代的数据智能框架？ 我们隶属于通义实验室，长期聚焦 AI 基础设施与数据智能方向。团队已在ICML、NeurIPS、ICLR、SIGMOD、KDD、WWW等国际顶会发表论文数十篇，多次获 Spotlight 与 Best Paper，主导开源 DataJuicer、AgentScope、Trinity-RFT 等框架。相关成果广泛应用于学术界与工业界，支撑阿里云、通义大模型、百炼平台等内外部业务。 现诚邀具备扎实科研能力与工程素养的候选人加入，你将参与： 1. 探索如何让数据处理系统“听懂”任务语义，自动生成可验证、可复用、可优化的数据流水线； 2. 研究高性能方法，量化建模文本、图像、轨迹等数据对下游任务的实际价值，构建数据健康评估体系； 3. 面向智能体经验管理、RAG 上下文筛选、多模态日志分析等真实场景，设计新型数据原语与评估基准； 4. 建设开源框架（DataJuicer、AgentScope、Trinity-RFT），发表高水平论文或技术成果，推动社区对“数据智能”的前沿探索。
1. 负责面向真机 Benchmark 和数据闭环场景的 Agent 应用算法与工程落地，支撑问题诊断、评测判断、任务决策、工具调用和结果回流等关键场景。 2. 负责建设 Agent Harness，支撑工具调用、Context / Memory 管理、任务编排、多 Agent 协同、运行观测、人工复核和结果回流。 3. 负责构建 Agent / Harness 端到端评测能力，围绕 Grader、Advisor、工具调用正确率、多步任务成功率等指标持续优化 Agent 表现。 4. 负责或参与基于闭环运行数据、人工反馈和评测结果构建训练与评测数据，支持 Agent 相关模型的微调、强化学习、蒸馏、评测和推理优化。 5. 与平台、数据工具链、仿真引擎、算法和产品团队协同，推动模型能力、工具策略和 Harness 机制在实际闭环流程中协同优化。
1. 负责设计和开发DMS的统一元数据系统；包括所支持的40+种数据源的深度化研究，并将相关技术转化为产品 2. 设计与开发 DMS 数据集成、任务调度系统，提升在多模、大规模数据场景下产品技术竞争力 3. 开发和维护DMS异构数据源查询、跨数据源联合分析、湖数据分析相关功能的能力； 4. 设计和实现大规模分布式系统，深度参与计算引擎与存储引擎的联合优化； 5. 与其他团队紧密合作，包括产品、测试和运维团队，确保软件开发流程的顺利进行； 6. 参与代码审查和团队技术分享活动，提高团队技术水平。
职位简介我们正在建设一套用户全生命周期管理系统，以支撑智能营销与用户运营。该岗位将负责核心数据模块的产品工作，构建统一的数据、标签与服务体系，驱动业务增长。1.数据与标签体系构建：负责用户、行为、触点等多源数据管理，主导用户画像与标签体系的规划、设计与落地。2.数据服务与权限设计：设计面向营销场景的数据服务能力，并完成从0到1的数据权限管理体系设计，保障数据安全与应用。3.支撑营销自动化与效果分析：为营销自动化流程提供数据支持，并负责效果分析、归因与AB实验等数据应用的产品设计。4.技术架构协同：协同数据研发团队，针对实时、批量等场景进行技术选型，推动数据能力（如实时数仓）落地。