千问千问事业部-agent算法（AI内容生产）-北京
任职要求
1.计算机、人工智能、自动化或相关专业硕士及以上学历，3年以上算法研发经验，智能视频剪辑、广告内容生产或多模态大模型应用落地经验者优先。 2.精通Python，熟练掌握C/C++，深入理解PyTorch/TensorFlow等主流深度学习框架，熟练掌握vibe coding开发范式。 3.熟悉全球主流多模态大模型与推理大模型的技术特性、能力边界与演进趋势，具备跨模型对比评估、场景适配与混合架构设计能力，能针对内容生产链路中的不同环节完成模型选型、路由调度与工程化权衡。 4.熟悉视频内容处理全链路…
工作职责
1.负责AI视频智能剪辑与生成核心算法研发，聚焦基于原始素材的自动化视频生产场景，包括多模态视频理解、镜头分割、关键帧提取、文案自动叙事结构生成、视频检索、多模态内容对齐、转场/特效合成及音画节奏匹配等模块的算法设计与迭代。 2.负责广告多模态内容生成算法的架构设计与工程落地，结合营销投放业务需求，实现创意文案生成、视觉元素合成、品牌风格控制、多版本自动化产出及以转化指标为导向的内容优化策略。 3.持续追踪并落地生成式 AI 前沿技术，负责内容生成 Pipeline 的架构设计与敏捷迭代；结合提示工程优化、自动化评估与线上 AB 实验等，构建客观指标与业务指标相结合的内容生成自动化评测流程，形成数据反馈闭环驱动算法持续迭代，沉淀标准化技术资产与最佳实践，持续提升内容生产的端到端质量、效率与商业化 ROI。 4.与产品、工程、运营及各业务线深度协同，主导 AI 内容生产的规划与规模化落地；在确保高并发场景下稳定运行，实现可观测、可度量、可持续演进的 AI 内容生产建设，为业务增长提供高可靠、高性价比的智能生产引擎。
1. 复杂内容生成链路的设计与优化：基于大语言模型，负责AI视频生产链路（剧本创作，影视制作流水线）的方案设计，效果评估与持续优化，提升创作流程的效果、可控性与一致性 2. 内容创作 Agent 架构设计与实现：主导复杂内容创作 Agent 的架构设计，对任务规划、工具调用、长时记忆、多 Agent 协作、检索增强等核心模块，推动从需求到成稿的高度自动化 3. 新技术探索与落地：跟进 LLM 与 Agent 领域前沿进展（如 long-horizon planning、多智能体协作、Agent 评测体系等），主动发起实验并推动在公司内容产品中规模化落地 4. 跨团队协作与方向推动：与编辑/编剧/导演等业务专家、产品、工程团队紧密合作，沉淀可复用的内容创作 Skill / 评测标准，通过数据回流持续优化核心指标
1.重塑消费者体验：建设大模型智能化比价辅助决策、Al消费者智能问答助手等多元AI工具，提高用户购物体验，并进一步探索AI Native的新消费者产品形态； 2.赋能商家智能化运营：基于大模型调度多领域智能体，实现智能客服、采购寻源、内容生成、直播运营等全链路提效，赋能千万商家； 3.构建平台级技术基建：开发AI代码生成工具提升研发效率，打造面向运营小二的智能提效平台，探索面向全体企业员工办公场景的智能体架构。
【为什么加入我们】 ● 我们是谁：阿里国际数字商业集团下Alibaba.com公司（简称阿里国际站），目前为全球最大的在线跨境B2B贸易平台。 ● 真实的复杂场景： 区别于简单的对话，B2B 贸易涉及高客单价、长决策链路（20+ 节点）及深度供应商研究，是 Agentic Workflow 落地最具价值的试验田。 ● 顶尖科研环境： 团队成员来自国内外名校，拥有硅谷 Office 协同，支持前沿算法探索。 ● 充足算力支持： 自有国内外机房，GPU 资源充足，拒绝“无米之炊”。 【岗位职责】 作为核心算法专家及团队负责人，你将主导 AI 搜索与 Agent 体系的架构演进： 1. Agent 架构设计： 负责 B2B 买家 Agent 的核心引擎开发，包括但不限于 Planning（任务规划）、Long-term Memory（长期记忆）、Tool-use（工具调用）及 Reflection（自我反思） 等模块。 2. 下一代搜索系统： 构建多轮交互下的多模态搜索意图理解。针对超长图文、PDF 采购文件等复杂私有知识，设计高性能的 RAG（检索增强生成）与多模态匹配系统。 3. 算法团队管理： 带领算法团队进行技术攻关，负责从 0 到 1 的算法落地与迭代，建立高效的团队协作与技术梯队。 4. 业务洞察与驱动： 利用 AI 分析海量用户行为，挖掘跨境贸易中的低效环节，通过算法创新定义新的产品形态（AI-Native）。
1、深入研究并提升大模型对代码语义、工程级上下文及复杂依赖关系的理解能力，推动代码生成和理解在复杂工程环境中的落地； 2、设计并实现面向代码场景的模型训练与推理方案，包括领域特定预训练、上下文建模、推理策略优化等； 3、提升模型在跨文件、跨模块、跨仓库场景下的分析与推理能力，支持超大规模代码库（几十万行及以上）的理解与分析； 4、结合端智能场景，优化端云协同的 AI 系统架构，在模型能力、时延、带宽、功耗与稳定性之间取得平衡，并最终落地到用户行为分析与本地决策； 5、建立面向代码智能与端智能场景的评测体系，持续定位并突破当前大模型在工程级与端侧落地中的能力瓶颈。