京东基于（自动化）大语言模型在商品理解任务中的应用

我们是一支充满活力与技术深度的自营行业算法团队，致力于驱动天猫超市、天猫国际等核心自营业务的智能化升级。在这里，我们不仅用数据理解消费趋势，更用算法重塑商品运营与客户服务——从“人工经验驱动”到“AI自主决策”，构建更具竞争力的商品供给与更高效、可规模化的智能服务体系。 我们积极拥抱生成式AI浪潮，已在多个关键场景实现落地突破： ● 商品侧：探索基于大模型的智能选品辅助、营销素材生成与合规性机审，提升商品上架效率与内容质量； ● 客服侧：构建支持多轮意图识别、任务规划与跨系统调用的智能客服Agent，实现从“问答匹配”到“问题解决”的跃迁。 当前，我们正打造以大模型为认知核心、Agent为执行载体的下一代智能体系统，覆盖商品全生命周期管理与用户服务闭环。加入我们，你将参与设计并落地真正意义上的AI原生电商引擎，推动业务进入自动化、可进化的新阶段。 岗位描述： 1. 负责大模型后训练与领域适配，参与通用大模型在自营场景下的微调、指令对齐与多轮对话优化，提升模型在商品问答、素材生成、客服应答等任务中的专业性与一致性。 2. 负责智能Agent体系的研发与落地，涵盖工具调用（Tool Use）、任务规划、状态管理与多Agent协作机制，实现在智能选品、客服QA等复杂场景中的端到端闭环执行。 3. 负责设计并优化检索增强（RAG）系统，从索引构建、召回排序到知识融合与上下文压缩，全面提升RAG在商品知识、营销信息、服务标准等高准确性需求场景下的效果与稳定性。 4. 负责建立科学评测体系，设计覆盖功能性、合规性、一致性与业务转化的多维评估指标，系统分析模型表现，指导模型与Agent策略的精准优化。 5. 推进前沿技术在业务中的验证与落地，深入跟踪 LLM领域前沿进展，在真实场景中快速实验并应用。 6. 协同产品与工程团队，将算法能力高效集成至线上系统，兼顾性能、延迟与可用性，确保用户体验与业务目标双达成。 我们能提供： 1. 高价值业务场景：深耕天猫超市、天猫国际的商品与客服体系，覆盖跨境选品、用户咨询、履约售后等完整链路，技术直击业务核心。 2. 快速闭环验证：依托自营决策权，算法可快速上线并反馈于转化率、响应准确率、人力替代率等核心指标。 3. 丰富数据与资源支持：拥有完整的商品知识库、用户行为流与客服对话日志，支撑高质量训练与评测。 4. 复合成长路径：在技术深度（大模型/Agent）与业务广度（电商/跨境/客服）双重挑战中成长，核心骨干带教支持，晋升通道畅通。

我们是一支充满活力与技术深度的自营行业算法团队，致力于驱动天猫超市、天猫国际等核心自营业务的智能化升级。在这里，我们不仅用数据理解消费趋势，更用算法重塑商品运营与客户服务——从“人工经验驱动”到“AI自主决策”，构建更具竞争力的商品供给与更高效、可规模化的智能服务体系。 我们积极拥抱生成式AI浪潮，已在多个关键场景实现落地突破： ● 商品侧：探索基于大模型的智能选品辅助、营销素材生成与合规性机审，提升商品上架效率与内容质量； ● 客服侧：构建支持多轮意图识别、任务规划与跨系统调用的智能客服Agent，实现从“问答匹配”到“问题解决”的跃迁。 当前，我们正打造以大模型为认知核心、Agent为执行载体的下一代智能体系统，覆盖商品全生命周期管理与用户服务闭环。加入我们，你将参与设计并落地真正意义上的AI原生电商引擎，推动业务进入自动化、可进化的新阶段。 岗位描述： 1. 负责大模型后训练与领域适配，参与通用大模型在自营场景下的微调、指令对齐与多轮对话优化，提升模型在商品问答、素材生成、客服应答等任务中的专业性与一致性。 2. 负责智能Agent体系的研发与落地，涵盖工具调用（Tool Use）、任务规划、状态管理与多Agent协作机制，实现在智能选品、客服QA等复杂场景中的端到端闭环执行。 3. 负责设计并优化检索增强（RAG）系统，从索引构建、召回排序到知识融合与上下文压缩，全面提升RAG在商品知识、营销信息、服务标准等高准确性需求场景下的效果与稳定性。 4. 负责建立科学评测体系，设计覆盖功能性、合规性、一致性与业务转化的多维评估指标，系统分析模型表现，指导模型与Agent策略的精准优化。 5. 推进前沿技术在业务中的验证与落地，深入跟踪 LLM领域前沿进展，在真实场景中快速实验并应用。 6. 协同产品与工程团队，将算法能力高效集成至线上系统，兼顾性能、延迟与可用性，确保用户体验与业务目标双达成。 我们能提供： 1. 高价值业务场景：深耕天猫超市、天猫国际的商品与客服体系，覆盖跨境选品、用户咨询、履约售后等完整链路，技术直击业务核心。 2. 快速闭环验证：依托自营决策权，算法可快速上线并反馈于转化率、响应准确率、人力替代率等核心指标。 3. 丰富数据与资源支持：拥有完整的商品知识库、用户行为流与客服对话日志，支撑高质量训练与评测。 4. 复合成长路径：在技术深度（大模型/Agent）与业务广度（电商/跨境/客服）双重挑战中成长，核心骨干带教支持，晋升通道畅通。

团队介绍：Data-电商-平台治理算法团队，通过优化算法，和业务团队协作，对字节旗下的电商产品进行全方位的质量和生态的治理，既包括风险、违规和低质问题的打击，也包括健康电商生态的建设和优化，在最大程度的优化平台治理的效果的同时提升治理的工作效率，降低成本。另外一方面，平台治理算法团队致力于攻坚前沿的AI技术，以技术驱动推动业务的变革和发展，领域涉及广泛，包括但不限于NLP/CV/多模态/大模型/图算法/序列算法等。 课题介绍： 背景：电商智能审核业务比较复杂，随着审核技术的不断演进，各个领域面临着新的风险问题和对抗形式，这对大模型的应用提出了新的挑战。例如，在电商审核业务中，涉及审核PBR变更、长文本、长时序、多语言、少样本和AIGC生成对抗等问题时，现有的开源大模型表现往往不尽人意。因此，针对这些挑战，我们亟需研发专门针对电商智能审核的大模型，以提升其在电商治理中的有效性和适应性。特别的，针对电商业务特点，我们需要探索高质量的数据自动生成、高效的MOE Embedding、Auto-Prompt生成、高质量 COT输出、大模型知识蒸馏等。此外，该模型应能够满足电商审核业务的需求，实现高准确率的自主决策和可解释性的COT生成，显著减少误判。针对动态变化的审核PBR变更，它能够通过RAG模块自动检索类似的审核案例，将复杂的审核PBR分解为简单的原子任务，自动拆分出驳回和豁免原子任务，并自动调用相应的Tools来解决这些任务，从而建立“知道拒绝并且知道为何拒绝”的业内领先智能审核系统。最终，大模型智能审核系统的审核效果需要接近或者超过人工审核，往全机审的路线上演进。 研究方向：模态融合能力：提升文本、音频、图像、视频和直播等多模态的细粒度理解能力，实现高准确率的自主决策和可解释性的COT生成；Few-Shot能力：探索电商多语言、长时序和少样本问题，增强Few-Shot和Zero-Shot能力，针对多变的业务规则具备复杂指令和Auto-Prompt生成能力；攻防对抗能力：研究AIGC图像视频的判别，增强审核大模型对隐晦、抽象的生成式内容的攻防对抗能力；Agent能力：具备调用RAG模块，使用Tools，和Auto-planning能力；提升大模型的动态推理和反思能力。 1、深入理解电商业务，探索基于大模型、多模态模型，持续提升商家/达人在准入、发品、售后等各个业务场景的风险识别效果； 2、提升商品治理审核智能化水平，迭代优化治理大模型，提升大模型对治理规则和商品信息的理解，实现高准高召的问题识别和自动处置； 3、负责强化电商场景下，大模型推理和反思能力，通过商品业务域SFT、高质量Cot、强化学习、数据合成等技术方案，提升商品治理大模型底座能力； 4、参与构建挖掘电商直播、商品、商家和带货主播等多种实体的数据，对大规模网络/海量特征序列进行建模，支撑商家、达人分类/风险团伙挖掘等业务场景解决问题，并为商家/达人治理提供支持； 5、参与构建大规模的图存储和图学习平台，完善电商社区内商家/商品/达人/视频内容的关系建设，构建电商实体通用表征能力，赋能治理业务； 6、建设售后服务MLLM基座大模型，并利用RAG/Agent/RL等技术，解决复杂场景下对体验问题的理解能力。

团队介绍：Data-电商-平台治理算法团队，通过优化算法，和业务团队协作，对字节旗下的电商产品进行全方位的质量和生态的治理，既包括风险、违规和低质问题的打击，也包括健康电商生态的建设和优化，在最大程度的优化平台治理的效果的同时提升治理的工作效率，降低成本。另外一方面，平台治理算法团队致力于攻坚前沿的AI技术，以技术驱动推动业务的变革和发展，领域涉及广泛，包括但不限于NLP/CV/多模态/大模型/图算法/序列算法等。 课题介绍： 背景：电商智能审核业务比较复杂，随着审核技术的不断演进，各个领域面临着新的风险问题和对抗形式，这对大模型的应用提出了新的挑战。例如，在电商审核业务中，涉及审核PBR变更、长文本、长时序、多语言、少样本和AIGC生成对抗等问题时，现有的开源大模型表现往往不尽人意。因此，针对这些挑战，我们亟需研发专门针对电商智能审核的大模型，以提升其在电商治理中的有效性和适应性。特别的，针对电商业务特点，我们需要探索高质量的数据自动生成、高效的MOE Embedding、Auto-Prompt生成、高质量 COT输出、大模型知识蒸馏等。此外，该模型应能够满足电商审核业务的需求，实现高准确率的自主决策和可解释性的COT生成，显著减少误判。针对动态变化的审核PBR变更，它能够通过RAG模块自动检索类似的审核案例，将复杂的审核PBR分解为简单的原子任务，自动拆分出驳回和豁免原子任务，并自动调用相应的Tools来解决这些任务，从而建立“知道拒绝并且知道为何拒绝”的业内领先智能审核系统。最终，大模型智能审核系统的审核效果需要接近或者超过人工审核，往全机审的路线上演进。 研究方向：模态融合能力：提升文本、音频、图像、视频和直播等多模态的细粒度理解能力，实现高准确率的自主决策和可解释性的COT生成；Few-Shot能力：探索电商多语言、长时序和少样本问题，增强Few-Shot和Zero-Shot能力，针对多变的业务规则具备复杂指令和Auto-Prompt生成能力；攻防对抗能力：研究AIGC图像视频的判别，增强审核大模型对隐晦、抽象的生成式内容的攻防对抗能力；Agent能力：具备调用RAG模块，使用Tools，和Auto-planning能力；提升大模型的动态推理和反思能力。 1、深入理解电商业务，探索基于大模型、多模态模型，持续提升商家/达人在准入、发品、售后等各个业务场景的风险识别效果； 2、提升商品治理审核智能化水平，迭代优化治理大模型，提升大模型对治理规则和商品信息的理解，实现高准高召的问题识别和自动处置； 3、负责强化电商场景下，大模型推理和反思能力，通过商品业务域SFT、高质量Cot、强化学习、数据合成等技术方案，提升商品治理大模型底座能力； 4、参与构建挖掘电商直播、商品、商家和带货主播等多种实体的数据，对大规模网络/海量特征序列进行建模，支撑商家、达人分类/风险团伙挖掘等业务场景解决问题，并为商家/达人治理提供支持； 5、参与构建大规模的图存储和图学习平台，完善电商社区内商家/商品/达人/视频内容的关系建设，构建电商实体通用表征能力，赋能治理业务； 6、建设售后服务MLLM基座大模型，并利用RAG/Agent/RL等技术，解决复杂场景下对体验问题的理解能力。