智能互联阿里云智能-AI MaaS解决方案架构师（央企）-央企&生态解决方案（北京）

本岗位主要负责行业央企的云和AI解决方案落地工作。 1. 跟踪所负责细分领域的市场趋势、空间与核心场景，结合客户所在行业特点，梳理典型痛点与机会点，输出有指导性的市场洞察与竞争策略，形成差异化打法。 2. 基于对客户业务策略的理解，识别需求背后的真实意图，与关键决策人建立信任关系，制定针对性的产品与解决方案引导策略；面向具体业务场景搭建大模型/智能体原型，产出高质量的解决方案、项目建议书及标书技术材料，牵引销售落地。 3. 根据客户需求完成端到端方案设计，主导 POC 与方案落地，独立完成单一场景的AI应用架构设计，涵盖 Prompt 工程、RAG 搭建、Agent工程化、模型与客户系统 API 集成及混合云资源配置等；在项目中制定合理的产品选型、测试、招投标与配置策略，推动合同签约。 4. 在方案落地过程中识别并处理技术与项目风险，协同产研、交付、安全等团队保障合同履约，持续提升阿里云在该客户的公共云份额与Token用量；同时向产品团队反馈需求与缺陷，推动产品迭代。 5. 沉淀面向细分领域/场景的 AI 解决方案、最佳实践、参考架构及脚本模板等可复用资产，并面向销售团队与生态伙伴开展宣讲与赋能培训。

1、洞察行业趋势：跟踪基础大模型、行业大模型、SaaS及AI原生软件的发展动态，梳理典型应用场景与技术架构，为解决方案提供方向指引。 2、理解客户痛点：深入一线，与客户共同梳理生产流程中对AI的实际需求（如Token消耗、响应时效、准确率等），明确AI能带来的业务价值。 3、挖掘高价值场景：基于对客户业务和技术架构的理解，识别适合引入大模型的关键环节，与客户一起定义问题边界和成功标准。 4、设计端到端方案：围绕客户目标和约束条件，规划从模型选型、推理部署、微调策略、RAG构建到Agent编排的完整技术路径，并建立可衡量的效果评估体系。 5、推动技术共识：面向客户技术团队及管理层，清晰传递阿里云AI全栈能力的优势，确保技术方案与业务战略对齐。 6、动手验证方案：主导PoC实施，包括Prompt工程、RAG搭建、多Agent工作流设计、微调实验等，用实际效果赢得客户信任，并形成科学的评估方法论。 7、赋能合作伙伴：结合阿里云百炼平台、通义大模型、智能体等核心产品，协助ISV和软件企业打造可落地的大模型解决方案。 8、沉淀最佳实践：总结细分行业或场景的落地经验，形成可复用的方法论、案例文档和工具包，助力团队能力持续提升。

1. 深入研究不同行业SaaS/AI原生软件的行业发展方向、典型场景清单、业务流程、技术架构等，梳理各场景在AI应用的需求和价值，帮助SaaS等软件企业设计AI落地路径； 2. 从头部AI原生软件/SaaS类客户典型业务场景出发，结合阿里云千问模型、百炼、Agent平台等AI核心产品，帮助软件企业设计和落地大模型解决方案（覆盖客服、金融、办公OA、ERP、CRM、零售、营销、制造、医疗等行业赛道），包括如下： 1）客户需求洞察及方案设计 • 大模型场景洞察：理解客户业务场景、整体技术架构，主动挖掘客户核心业务中的高价值的大模型应用场景，与客户共创业务和技术的关键问题与效果标准，理解行业内AI场景的价值。 • 方案设计：基于客户业务目标与技术约束，设计端到端MaaS解决方案，涵盖模型选型、工程链路（推理/微调/RAG/Agent）、效果评估体系及上线路径。 2）售前引导和支持与实操能力 • 结合客户的业务场景需求，通过标杆案例及demo演示展示阿里云大模型的竞争优势，建立在客户侧的技术影响力，影响客户的决策。向客户高层展示阿里云AI全栈产品的竞争优势，确保技术方案与客户业务目标深度绑定。 • 技术验证：动手搭建Prompt、RAG、多Agent工作流及微调实验，快速验证业务可行性，对POC结果的安全性、稳定性、性能、可持续性和运行效率给出技术建议。对客户业务与技术双线相关人员清晰阐述AI带来的效率提升、成本节约或收入增长，建立科学的AI效果评估共识。 3）能力沉淀和赋能 • 构建可复用的知识资产：沉淀面向细分领域/场景的大模型调用最佳实践、细分领域标杆案例等知识文档。 • 内部团队、生态伙伴、客户赋能和培训。 4）产品需求和改进反馈 • 识别和理解阿里云大模型的技术问题和机会，传递客户需求和反馈给产品团队，影响功能开发和未来产品路线图，保持阿里云产品的市场竞争力。 • 了解客户大模型使用的情况恶化效果，将客户使用中遇到的影响客户体验的问题，反向推动内部解决，推动内部产品解决方案和流程体系的改进。

1. 深入研究不同行业SaaS/AI原生软件的行业发展方向、典型场景清单、业务流程、技术架构等，梳理各场景在AI应用的需求和价值，帮助SaaS等软件企业设计AI落地路径； 2. 从头部AI原生软件/SaaS类客户典型业务场景出发，结合阿里云千问模型、百炼、Agent平台等AI核心产品，帮助软件企业设计和落地大模型解决方案（覆盖客服、金融、办公OA、ERP、CRM、零售、营销、制造、医疗等行业赛道），包括如下： 1）客户需求洞察及方案设计 • 大模型场景洞察：理解客户业务场景、整体技术架构，主动挖掘客户核心业务中的高价值的大模型应用场景，与客户共创业务和技术的关键问题与效果标准，理解行业内AI场景的价值。 • 方案设计：基于客户业务目标与技术约束，设计端到端MaaS解决方案，涵盖模型选型、工程链路（推理/微调/RAG/Agent）、效果评估体系及上线路径。 2）售前引导和支持与实操能力 • 结合客户的业务场景需求，通过标杆案例及demo演示展示阿里云大模型的竞争优势，建立在客户侧的技术影响力，影响客户的决策。向客户高层展示阿里云AI全栈产品的竞争优势，确保技术方案与客户业务目标深度绑定。 • 技术验证：动手搭建Prompt、RAG、多Agent工作流及微调实验，快速验证业务可行性，对POC结果的安全性、稳定性、性能、可持续性和运行效率给出技术建议。对客户业务与技术双线相关人员清晰阐述AI带来的效率提升、成本节约或收入增长，建立科学的AI效果评估共识。 3）能力沉淀和赋能 • 构建可复用的知识资产：沉淀面向细分领域/场景的大模型调用最佳实践、细分领域标杆案例等知识文档。 • 内部团队、生态伙伴、客户赋能和培训。 4）产品需求和改进反馈 • 识别和理解阿里云大模型的技术问题和机会，传递客户需求和反馈给产品团队，影响功能开发和未来产品路线图，保持阿里云产品的市场竞争力。 • 了解客户大模型使用的情况恶化效果，将客户使用中遇到的影响客户体验的问题，反向推动内部解决，推动内部产品解决方案和流程体系的改进。