钉钉钉钉-商业化运营 - AI 搜问方向-杭州
任职要求
1. 工作经验：3-5年ToB领域商业化运营相关经验，具备AI产品（如AI SaaS、AI解决方案等）商业化变现运营经验者优先；熟悉ToB客户采购流程、决策链及商业合作模式。
2. 核心能力：
◦ 精通商品运营全流程，具备成熟的产品定价、套餐设计、生命周期管理实战经验，能基于市场需求快速迭代商品策略；
◦ 深入理解GTM方法论，有完整的ToB产品市场进入、渠道拓展、客户渗透的项目落地经验，能独…工作职责
1. 商品运营策略搭建：深度洞察ToB市场需求、行业竞争格局及客户业务痛点，制定AI产品商业化定位、定价策略、套餐组合方案及生命周期管理计划，优化商品矩阵结构，提升产品市场竞争力与客户付费转化率。 2. GTM体系落地执行：牵头构建AI产品ToB市场进入策略（GTM），涵盖目标行业筛选、客户分层运营、渠道合作模式设计、销售工具包搭建（含产品白皮书、解决方案案例、演示脚本等），推动产品快速渗透目标市场。 3. 商业化变现增长：负责AI产品付费转化、续费续约及增购扩购全流程运营，设计客户激活、留存、价值提升的运营体系，通过数据监测与分析（如客户付费率、ARPU值、续费率等），迭代运营策略，实现营收持续增长。 4. 跨部门协同推进：联动产品、销售、市场、技术等团队，传递客户需求与市场反馈，推动产品功能优化与迭代；配合销售团队开展客户赋能、标杆案例打造及行业解决方案落地，提升销售转化效率。 5. 市场与竞品分析：持续跟踪AIToB领域行业动态、政策变化及竞品商业化策略，输出竞品分析报告与市场机会洞察，为公司商品策略调整、GTM优化及商业化决策提供数据支持。
岗位职责： 1. 负责端内用户全生命周期的活跃运营，从拉新、促活、留存到召回，设计并落地精细化运营策略，系统性提升用户粘性与长期价值； 2. 围绕 Chat 产品核心场景，结合大模型能力迭代，持续优化交互路径与内容推荐机制，驱动用户行为规模（如对话频次、会话深度、功能使用率）稳步增长； 3. 基于用户行为数据分析、A/B 实验与市场调研，识别关键瓶颈与增长杠杆，主导定向优化方案（如推荐策略、提示词工程、场景扩展等），提升模型响应质量与用户满意度； 4. 协同算法、产品、数据团队，推动搜推策略在 AI 对话场景中的落地应用，提升用户发现效率与使用黏性； 5. 建立用户活跃度监测体系与指标看板，定期输出洞察报告，为产品决策提供数据支撑。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 工作职责： 1、参与/负责研发面向大语言模型(LLM)/多模态大模型(MLLM)等类型模型的推理服务框架； 2、参与/负责KV Router、PD分离/EPD分离、KVCache管理、动态PD调整等分布式推理能力建设； 3、通过并行计算优化、分布式架构优化、异构调度等多种框架技术，打造高效、易用、领先的AI推理框架； 4、参与/负责构建推理框架的系统容错能力，包括但不限于请求迁移、优雅退出、故障检测、自愈等能力建设； 5、深度参与周边深度学习系统多个子方向的工作，包括但不限于模型管理、推理部署、日志/监控、工作流编排等； 6、与全公司各业务算法部门深度合作，为重点项目进行算法与系统的联合优化，支撑业务目标达成。
中台稠密引擎组，是小红书负责建设通用深度学习训练推理引擎的团队，面向全公司LLM、多模态LLM、SD、传统CV&NLP等稠密计算型模型训练与推理的业务场景，打造高效、易用、业界领先的训练与推理引擎，为小红书社区、商业化、安全等众多业务方向提供先进的引擎能力，支撑业务持续提升训练推理效率、模型迭代效率与算法研发效率。 1、参与设计和实现深度学习后训练及微调的前沿算法（包括但不限于RFT、RLHF等），以适应多样化的业务场景； 2、结合业务数据和场景，评估选择最适合的微调算法，以支撑业务大语言模型（LLM）微调指标的提升； 3、与数据团队紧密合作，深入理解数据特性，参与设计实现数据提质算法引擎工具，产出高质量数据集提升模型微调效果； 4、与公司内各算法团队深度合作，参与或负责大语言模型、多模态大模型等业务场景的后训练端到端效果提升及落地； 5、密切关注业界 LLM 微调算法和数据提质领域的前沿论文，并整合新技术和算法到训练引擎中，提升框架的领先性；