1. 负责垂类大模型的数据构建、指令微调、偏好对齐和模型优化工作； 2. 负责垂类大模型在业务场景中的应用落地，包含但不仅限于客服、搜索、推荐、创作和对话等领域； 3. 负责Agentic AI的服务部署，服务性能测试和优化，确保算法的准确性和效率都有所提升； 4. 协同产品和工程团队进行大语言模型能力的产品化和工程化、持续迭代并完成商业闭环；

1. 负责垂类大模型的数据构建、指令微调、偏好对齐和模型优化工作； 2. 负责垂类大模型在业务场景中的应用落地，包含但不仅限于客服、搜索、推荐、创作和对话等领域； 3. 负责Agentic AI的服务部署，服务性能测试和优化，确保算法的准确性和效率都有所提升； 4. 协同产品和工程团队进行大语言模型能力的产品化和工程化、持续迭代并完成商业闭环；

数据分析与洞察提取 从原始运营数据和结构化数据中提取关键洞察，回答业务提出的分析问题 构建可复用的数据分析工作流，形成标准化的分析范式 撰写分析报告，清晰呈现数据发现与业务建议 建模与算法开发 参与统计建模与机器学习算法的设计、开发与验证 方向包括但不限于：用户行为预测、时序需求预测、定价优化模型、用户画像分析、异常检测 建立模型性能评估体系，监控模型在生产环境中的表现 数据产品化 将分析方法和模型封装为可持续运行的数据产品 与仿真工程师协作，为仿真系统提供数据输入与验证基准 在资源受限的生产环境中部署轻量化数据模型 跨团队协作 与产品、运营、仿真等角色密切配合，理解业务需求并转化为数据任务 主动汇报分析目标、方法与进展，确保数据工作与业务方向对齐 参与分析方法论的讨论与评审，逐步建立独立的技术判断力

方向：ContextOS / Enterprise Agent / Trust & Learning 你要解决的问题 传统产品经理更多是在已有产品范式中定义功能。 这个岗位面对的问题是：产品范式本身还不存在。 你需要参与回答： - 企业 AI 应该如何理解业务对象，而不是直接面对表、字段和文档？ - Ontology、Semantic Layer、Evidence 和 Memory 应该如何被业务用户管理和消费？ - 用户如何判断一个 AI 结论是否可信、完整、可执行？ - Agent 的构建入口会被 Coding Agent 替代后，平台产品还应该提供什么？ - tracing 和 badcase 如何变成可治理、可持续进化的企业资产？ - Web、SDK、CLI、API 和 Agent Runtime 应该如何共同构成一个完整产品？ 你会参与的工作 1. 定义 ContextOS、TrustOps、LearningOps 等新产品的核心模型、用户角色和产品边界； 2. 深入研发、供应链、制造、质量、财务和经营场景，抽象跨领域共性问题； 3. 设计 Ontology Studio、Semantic Mapping Studio、Context Playground、Evaluation Center、Trace & Feedback Studio 等核心产品； 4. 设计从原始资产接入、语义映射、上下文召回、Agent 消费到反馈回流的完整链路； 5. 建立企业 AI 产品的评价体系，不只看 DAU，而是关注任务成功率、证据完整性、资产复用率和业务闭环率； 6. 与算法、架构、工程和业务专家共同完成从研究假设到生产系统的验证。 值得研究的问题 你可能参与形成以下方向的产品研究或论文成果： - 面向企业 Ontology 构建的人机协同交互机制； - AI 结论的证据表达、信任校准和可解释交互； - 面向复杂任务的 Context Engineering 产品范式； - Agent 从建议到执行过程中的 Human-in-the-loop 设计； - 基于 badcase 的企业知识资产持续治理机制； - Coding Agent 时代，企业 AI 平台的产品形态演进； - 面向专家与普通用户的渐进式语义建模体验。 对于适合脱敏和公开的问题，我们支持形成论文、专利、行业方法论或开源项目。

方向：ContextOS / Agent Runtime / Distributed AI Systems 你要解决的问题 企业 AI 的困难，不只是调用一次模型。 它需要在复杂权限、异构数据、长链路任务和真实生产环境中稳定运行。 你需要参与建设： - 能连接企业数据、知识、代码、API 和日志的上下文基础设施； - 能供不同 Agent 和 Coding Agent 调用的统一 Runtime； - 能追踪每一次上下文召回、推理和工具执行的运行系统； - 能在权限、安全、审计和成本约束下完成复杂任务的执行框架； - 能支撑企业级 Ontology、Semantic Mapping 和 Context Assemble 的核心引擎。 你会参与的工作 1. 设计和实现 ContextOS 的核心服务，包括对象模型、语义映射、上下文组装、证据链和企业记忆； 2. 建设面向数据表、文档、代码、API、图谱和日志的统一资产接入及处理框架； 3. 设计 Ontology 驱动的查询规划、联邦检索和事实组装机制； 4. 建设 Agent Runtime SDK、Skill Gateway、MCP Gateway、Sandbox 和 Workflow Engine； 5. 打通用户权限、数据权限、工具权限、动作权限和审计链路； 6. 建设 tracing、replay、evaluation hook、badcase 回流和版本回归能力； 7. 面向真实业务场景优化系统性能、稳定性、成本和开发者体验。 值得研究的问题 - 面向企业异构资产的统一语义访问协议； - Ontology 驱动的多源查询规划和执行优化； - 结构化数据、非结构化知识、图谱与 API 的联合 Context Assemble； - 长任务 Agent Runtime 的状态管理、恢复和可回放机制； - 复杂业务 API 的参数规划、约束满足和可靠执行； - 企业级 Agent 的权限传递、最小授权和动态风险控制； - Context Cache、增量更新和时效性一致性； - 多 Agent / 多 Skill 场景下的调度和协同机制； - 面向 Coding Agent 的企业级 Harness 与运行时标准。

方向：Ontology / Context Engineering / Evaluation / Self-evolving AI 你要解决的问题 通用模型不会天然理解一家企业。 企业里存在数万张表、海量文档、复杂对象关系、不同指标口径、隐含规则和持续变化的业务状态。 这个岗位需要研究： 如何让 AI 从异构企业资产中建立语义，找到完整证据，组装正确上下文，完成可靠推理，并从失败中持续学习。 这不是单一的 RAG 问题，而是语义建模、信息检索、知识表示、推理、评测和学习系统的交叉问题。 你会参与的工作 1. 研究从表结构、字段、文档、代码和 API 中自动抽取企业对象、关系、事件、指标与规则； 2. 研究局部语义与 Canonical Ontology 的自动对齐、冲突识别和增量演进； 3. 设计面向复杂问题的多阶段召回、查询分解、证据选择和 Context Assemble 算法； 4. 研究结构化数据、非结构化知识和图谱的联合检索与 Rerank； 5. 建设 Context、Evidence、Agent、Skill 和业务输出的评测体系； 6. 从 tracing、用户反馈和业务结果中识别 badcase 根因，并生成资产修正建议； 7. 推动算法进入真实生产场景，并基于线上数据不断优化。 重点研究方向 1.1 Enterprise Ontology Induction - 从数仓 Schema、文档和代码中自动发现企业对象及关系； - Canonical Ontology 与领域 Ontology 的匹配、融合和冲突处理； - 弱监督、主动学习与专家反馈结合的语义治理； - Ontology 版本变化的影响分析与质量评估。 1.2 Semantic Mapping - 表、字段、指标、文档、API 与业务对象的跨模态语义匹配； - 基于描述、数据分布、查询日志和业务关系的联合建模； - Mapping 置信度、可解释性与人工审核优先级； - 面向长尾系统的小样本和零样本语义映射。 1.3 Context Assembly - Token 预算约束下的上下文选择和信息压缩； - 面向复杂任务的查询分解和多跳证据组装； - 事实、关系、规则、历史和 Memory 的动态组合； - 面向不同模型和任务的 Context 自适应优化； - Context 完整性、相关性、时效性和冗余度评价。 1.4 Evidence and Trustworthiness - 证据召回率、完整性和忠实度评测； - 结论与数据、文档、指标及规则之间的可验证绑定； - 无法回答、证据冲突和不确定性的识别； - 基于业务约束的幻觉检测和答案校验。 1.5 Agent Evaluation - 长链路任务的过程评测和结果评测； - Tool Call 正确性、任务完成度和执行风险评价； - 从 tracing 中定位失败发生在召回、推理、规划还是执行； - 基于生产 badcase 自动构建评测集； - Agent 版本回归与线上效果预测。 1.6 Governed Learning Flywheel - 从用户修正和业务结果中提取高价值学习信号； - 自动生成 Ontology、Mapping、Rule、Skill 和 Eval Case 的修改建议； - 防止错误反馈污染企业核心资产； - 人机协同下的受治理自进化机制； - 企业长期记忆的沉淀、压缩、冲突消解与遗忘。

课题介绍 课题希望研发一套以用户行为深度建模为核心的自适应价值规划算法。通过先进的数据表征与注意力机制，算法将深度挖掘用户行为规律与价值诉求，构建能够量化、平衡多维度运营目标的智能决策模型。该算法将学习在动态环境中自主进行长期、全局的价值寻优，推动运营规划从执行预设规则向理解并驱动用户价值的根本性转变，为业务打造具备持续进化能力的决策引擎。 预期产出 - 核心算法模型：交付一套基于用户行为深度建模的自适应规划算法，包括行为表征、价值网络模型及模型评估与优化工具链，形成可迭代、可解释的解决方案 - 业务价值验证：算法驱动下实现用户侧核心体验指标（如需求满足率）提升3%以上，单位综合运营成本降低1-2% - 规模化应用和资产沉淀：提供算法规模化推演与全量效益评估，预计规模化应用后可实现年化运营成本节省2000-4000万元。同步沉淀高保真仿真沙盘与模型迭代框架，形成核心智能决策资产

1. 负责售后满意度中台系统的日常运营管理，确保重要指标数据输出准确及时。包括但不限于权限维护、数据清洗，看板搭建，系统迭代等； 2. 通过多维度指标交叉分析，动态监控与预警全国满意度情况，并制定合理的满意度提升策略； 3. 跨部门协同，推动满意度相关流程在整个售后服务体系中的闭环； 4. 区域满意度运营支持，包括安排组织满意度会议，政策流程宣贯，落地监控，客诉流程指引。