主分类：Agent系统开发
辅助：AI应用开发（非Agent）、数据工程与数据平台研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "业务技术-AI应用研发-用户场景＆营销方向",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "淘天集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "市场营销"AI生成
},
"company": {
"company_name": "淘天集团",
"company_industry": "电子商务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "聚焦核心业务场景，利用 Agent、RAG、多模检索等前沿技术推动 AI 在业务中真实落地。你将参与从需求洞察到系统构建的全流程，完成\"业务归因 → 架构设计 → 工程实现 → 效果评测 → 规模化复制\"的完整闭环，既研发面向业务的智能应用与工具，也建设支撑 AI 长期运转的数据、知识与评测底座，实现技术驱动业务增长的价值转化。\n具体职责包括以下相关方向的一项或多项：\n1、需求理解与归因\n- 深入业务场景，利用数据挖掘与特征分析完成现象归因，精准识别高价值问题；\n- 将模糊的业务痛点转化为可度量、可验证的 AI 解决目标与效果指标。\n2、架构设计\n- 面向具体业务需求，设计 AI 原生系统架构；\n- 参与 Agent 系统核心模块规划，包括记忆管理、推理与规划策略、工具编排，兼顾架构的灵活性、可扩展性与工程可落地性。\n3、数据引擎——为 AI 提供高效燃料\n- 建设多源异构数据的接入、清洗、加工与服务化管道，打通业务系统、日志、文档、多媒体等数据源；\n- 保障数据的时效性、一致性与可追溯性，形成可持续供给的数据资产与数据飞轮。\n4、知识引擎——让 AI 拥有业务知识\n- 构建高维知识体系：语义层、本体 / 知识图谱、业务术语与规则的结构化表达；\n- 建设 RAG 与多模态检索能力（文本 / 表格 / 图片 / 音视频），持续优化召回质量、排序策略与上下文注入方案（Context Engineering）；\n- 搭建 AI 与现有业务系统的交互环境，涵盖 API / MCP 接入、工具注册与记忆方案设计，为模型提供准确、及时的执行环境与知识支撑。\n5、核心能力实现\n- 负责 Agent 关键模块的工程落地，实现意图识别、任务拆解、工具调用与反思纠错闭环；\n- 封装标准化 SDK / API 服务，降低业务接入成本；\n- 构建 Agent 可观测体系，实现全链路追踪与多维归因分析，让效果好坏可解释、可定位。\n6、训练评测与系统演进\n- 搭建评测集与自动化评测、回测机制，建立效果基线与回归防护；\n- 通过 SFT / DPO 等模型调优、大模型评测与归因分析，结合 Case 分析持续收敛效果、性能与成本的最优路径；\n- 沉淀方法论与可复用组件，推动 AI 能力从单点验证走向规模化落地。\n7、性能优化与稳定性保障\n- 优化高并发场景下的系统性能，通过异步处理、缓存、限流与降级策略保障服务稳定；\n- 通过低侵入性观测手段保障系统的长期稳定运行。",
"requirements_text": "1、基础条件\n计算机、软件工程、人工智能、数据科学等相关专业优先。\n2、专业能力\nAI 编程工具重度使用者：熟练使用 Cursor、Claude Code 等 AI 编程工具，具备极强的 Prompt 编写与调优能力，有完整的项目级开发经验，理解如何让 AI 稳定产出生产级代码。\n大模型能力理解与掌握：理解主流 LLM 的能力与局限，能够清晰拆解任务，并通过 LLM 与确定性逻辑组合实现兜底；熟悉主流应用范式（Prompt / Context Engineering、Agent、工具 / 函数调用、MCP 等）及主流 Agent 框架（如 LangChain 等）；对大模型幻觉、Prompt 注入等风险具备工程化应对思路。\n扎实的代码与工程能力：计算机基础扎实，深入理解数据结构、算法、网络与操作系统；至少在一门主流编程语言（Java / Python / JS 等）上有深度实践经验，掌握常见工程实践，具备优秀的 Coding 能力，能够根据场景灵活选型并快速上手。\n3、能力特质\n学习能力：具备快速啃透前沿论文的能力，并能将理论转化为工程代码；\n开放性与动手能力：拒绝纸上谈兵，有独立完成的开源项目或个人 Demo，展现极客精神；\n好奇心与想象力：面对未知事物有独特的想法，具备敏锐的问题定义能力与坚韧的问题解决能力；\n审美追求：技术亦有审美，能提出打动人心、简洁优雅的好想法；\n高能动性：具备强烈的自驱力，主动探索边界，而非等待被分配任务。\n4、加分项\n能力底座方向：有 AI 多模检索、知识引擎（语义层 / 本体 / 知识图谱）、数据引擎的建设经验；有大模型评测体系与 Badcase 归因分析的实战经验；有 SFT / DPO / RL 等模型训练调优的实际业务经验，NLP 方向理论基础扎实。\n落地经验方向：有 AI 应用或 Agent 的实际落地经验，包括但不限于 RAG 系统、多智能体编排、结合 MCP / Skill 的 Agent 项目，有可展示的项目 / 实习成果者优先。\n技术影响力方向：在 GitHub 上有高质量 AI 项目，或有优质技术博客与社区影响力。\nAI Infra 方向：了解 vLLM、SGLang、Ollama 等推理框架原理，理解延迟优化、KV Cache 优化、流式输出等工程全局视角。",
"skills": [AI生成
"Python",
"Java",
"自然语言处理",
"数据结构",
"知识图谱",
"模型训练",
"学习能力",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "计算机、软件工程、人工智能、数据科学等相关专业优先；4、加分项；落地经验方向：有 AI 应用或 Agent 的实际落地经验，包括但不限于 RAG 系统、多智能体编排、结合 MCP / Skill 的 Agent 项目，有可展示的项目 / 实习成果者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.taotian.com/off-campus/position-detail?positionId=100001280002"
}
]
},
"posting": {
"posting_id": "100001280002",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100001280002"
},
"fulltext": "业务技术-AI应用研发-用户场景＆营销方向\n业务技术-AI应用研发-用户场景＆营销方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n聚焦核心业务场景，利用 Agent、RAG、多模检索等前沿技术推动 AI 在业务中真实落地。你将参与从需求洞察到系统构建的全流程，完成\"业务归因 → 架构设计 → 工程实现 → 效果评测 → 规模化复制\"的完整闭环，既研发面向业务的智能应用与工具，也建设支撑 AI 长期运转的数据、知识与评测底座，实现技术驱动业务增长的价值转化。\n具体职责包括以下相关方向的一项或多项：\n1、需求理解与归因\n- 深入业务场景，利用数据挖掘与特征分析完成现象归因，精准识别高价值问题；\n- 将模糊的业务痛点转化为可度量、可验证的 AI 解决目标与效果指标。\n2、架构设计\n- 面向具体业务需求，设计 AI 原生系统架构；\n- 参与 Agent 系统核心模块规划，包括记忆管理、推理与规划策略、工具编排，兼顾架构的灵活性、可扩展性与工程可落地性。\n3、数据引擎——为 AI 提供高效燃料\n- 建设多源异构数据的接入、清洗、加工与服务化管道，打通业务系统、日志、文档、多媒体等数据源；\n- 保障数据的时效性、一致性与可追溯性，形成可持续供给的数据资产与数据飞轮。\n4、知识引擎——让 AI 拥有业务知识\n- 构建高维知识体系：语义层、本体 / 知识图谱、业务术语与规则的结构化表达；\n- 建设 RAG 与多模态检索能力（文本 / 表格 / 图片 / 音视频），持续优化召回质量、排序策略与上下文注入方案（Context Engineering）；\n- 搭建 AI 与现有业务系统的交互环境，涵盖 API / MCP 接入、工具注册与记忆方案设计，为模型提供准确、及时的执行环境与知识支撑。\n5、核心能力实现\n- 负责 Agent 关键模块的工程落地，实现意图识别、任务拆解、工具调用与反思纠错闭环；\n- 封装标准化 SDK / API 服务，降低业务接入成本；\n- 构建 Agent 可观测体系，实现全链路追踪与多维归因分析，让效果好坏可解释、可定位。\n6、训练评测与系统演进\n- 搭建评测集与自动化评测、回测机制，建立效果基线与回归防护；\n- 通过 SFT / DPO 等模型调优、大模型评测与归因分析，结合 Case 分析持续收敛效果、性能与成本的最优路径；\n- 沉淀方法论与可复用组件，推动 AI 能力从单点验证走向规模化落地。\n7、性能优化与稳定性保障\n- 优化高并发场景下的系统性能，通过异步处理、缓存、限流与降级策略保障服务稳定；\n- 通过低侵入性观测手段保障系统的长期稳定运行。\n\n职位要求\n1、基础条件\n计算机、软件工程、人工智能、数据科学等相关专业优先。\n2、专业能力\nAI 编程工具重度使用者：熟练使用 Cursor、Claude Code 等 AI 编程工具，具备极强的 Prompt 编写与调优能力，有完整的项目级开发经验，理解如何让 AI 稳定产出生产级代码。\n大模型能力理解与掌握：理解主流 LLM 的能力与局限，能够清晰拆解任务，并通过 LLM 与确定性逻辑组合实现兜底；熟悉主流应用范式（Prompt / Context Engineering、Agent、工具 / 函数调用、MCP 等）及主流 Agent 框架（如 LangChain 等）；对大模型幻觉、Prompt 注入等风险具备工程化应对思路。\n扎实的代码与工程能力：计算机基础扎实，深入理解数据结构、算法、网络与操作系统；至少在一门主流编程语言（Java / Python / JS 等）上有深度实践经验，掌握常见工程实践，具备优秀的 Coding 能力，能够根据场景灵活选型并快速上手。\n3、能力特质\n学习能力：具备快速啃透前沿论文的能力，并能将理论转化为工程代码；\n开放性与动手能力：拒绝纸上谈兵，有独立完成的开源项目或个人 Demo，展现极客精神；\n好奇心与想象力：面对未知事物有独特的想法，具备敏锐的问题定义能力与坚韧的问题解决能力；\n审美追求：技术亦有审美，能提出打动人心、简洁优雅的好想法；\n高能动性：具备强烈的自驱力，主动探索边界，而非等待被分配任务。\n4、加分项\n能力底座方向：有 AI 多模检索、知识引擎（语义层 / 本体 / 知识图谱）、数据引擎的建设经验；有大模型评测体系与 Badcase 归因分析的实战经验；有 SFT / DPO / RL 等模型训练调优的实际业务经验，NLP 方向理论基础扎实。\n落地经验方向：有 AI 应用或 Agent 的实际落地经验，包括但不限于 RAG 系统、多智能体编排、结合 MCP / Skill 的 Agent 项目，有可展示的项目 / 实习成果者优先。\n技术影响力方向：在 GitHub 上有高质量 AI 项目，或有优质技术博客与社区影响力。\nAI Infra 方向：了解 vLLM、SGLang、Ollama 等推理框架原理，理解延迟优化、KV Cache 优化、流式输出等工程全局视角。\n聚焦核心业务场景，利用 Agent、RAG、多模检索等前沿技术推动 AI 在业务中真实落地。你将参与从需求洞察到系统构建的全流程，完成\"业务归因 → 架构设计 → 工程实现 → 效果评测 → 规模化复制\"的完整闭环，既研发面向业务的智能应用与工具，也建设支撑 AI 长期运转的数据、知识与评测底座，实现技术驱动业务增长的价值转化。\n具体职责包括以下相关方向的一项或多项：\n1、需求理解与归因\n- 深入业务场景，利用数据挖掘与特征分析完成现象归因，精准识别高价值问题；\n- 将模糊的业务痛点转化为可度量、可验证的 AI 解决目标与效果指标。\n2、架构设计\n- 面向具体业务需求，设计 AI 原生系统架构；\n- 参与 Agent 系统核心模块规划，包括记忆管理、推理与规划策略、工具编排，兼顾架构的灵活性、可扩展性与工程可落地性。\n3、数据引擎——为 AI 提供高效燃料\n- 建设多源异构数据的接入、清洗、加工与服务化管道，打通业务系统、日志、文档、多媒体等数据源；\n- 保障数据的时效性、一致性与可追溯性，形成可持续供给的数据资产与数据飞轮。\n4、知识引擎——让 AI 拥有业务知识\n- 构建高维知识体系：语义层、本体 / 知识图谱、业务术语与规则的结构化表达；\n- 建设 RAG 与多模态检索能力（文本 / 表格 / 图片 / 音视频），持续优化召回质量、排序策略与上下文注入方案（Context Engineering）；\n- 搭建 AI 与现有业务系统的交互环境，涵盖 API / MCP 接入、工具注册与记忆方案设计，为模型提供准确、及时的执行环境与知识支撑。\n5、核心能力实现\n- 负责 Agent 关键模块的工程落地，实现意图识别、任务拆解、工具调用与反思纠错闭环；\n- 封装标准化 SDK / API 服务，降低业务接入成本；\n- 构建 Agent 可观测体系，实现全链路追踪与多维归因分析，让效果好坏可解释、可定位。\n6、训练评测与系统演进\n- 搭建评测集与自动化评测、回测机制，建立效果基线与回归防护；\n- 通过 SFT / DPO 等模型调优、大模型评测与归因分析，结合 Case 分析持续收敛效果、性能与成本的最优路径；\n- 沉淀方法论与可复用组件，推动 AI 能力从单点验证走向规模化落地。\n7、性能优化与稳定性保障\n- 优化高并发场景下的系统性能，通过异步处理、缓存、限流与降级策略保障服务稳定；\n- 通过低侵入性观测手段保障系统的长期稳定运行。\n1、基础条件\n计算机、软件工程、人工智能、数据科学等相关专业优先。\n2、专业能力\nAI 编程工具重度使用者：熟练使用 Cursor、Claude Code 等 AI 编程工具，具备极强的 Prompt 编写与调优能力，有完整的项目级开发经验，理解如何让 AI 稳定产出生产级代码。\n大模型能力理解与掌握：理解主流 LLM 的能力与局限，能够清晰拆解任务，并通过 LLM 与确定性逻辑组合实现兜底；熟悉主流应用范式（Prompt / Context Engineering、Agent、工具 / 函数调用、MCP 等）及主流 Agent 框架（如 LangChain 等）；对大模型幻觉、Prompt 注入等风险具备工程化应对思路。\n扎实的代码与工程能力：计算机基础扎实，深入理解数据结构、算法、网络与操作系统；至少在一门主流编程语言（Java / Python / JS 等）上有深度实践经验，掌握常见工程实践，具备优秀的 Coding 能力，能够根据场景灵活选型并快速上手。\n3、能力特质\n学习能力：具备快速啃透前沿论文的能力，并能将理论转化为工程代码；\n开放性与动手能力：拒绝纸上谈兵，有独立完成的开源项目或个人 Demo，展现极客精神；\n好奇心与想象力：面对未知事物有独特的想法，具备敏锐的问题定义能力与坚韧的问题解决能力；\n审美追求：技术亦有审美，能提出打动人心、简洁优雅的好想法；\n高能动性：具备强烈的自驱力，主动探索边界，而非等待被分配任务。\n4、加分项\n能力底座方向：有 AI 多模检索、知识引擎（语义层 / 本体 / 知识图谱）、数据引擎的建设经验；有大模型评测体系与 Badcase 归因分析的实战经验；有 SFT / DPO / RL 等模型训练调优的实际业务经验，NLP 方向理论基础扎实。\n落地经验方向：有 AI 应用或 Agent 的实际落地经验，包括但不限于 RAG 系统、多智能体编排、结合 MCP / Skill 的 Agent 项目，有可展示的项目 / 实习成果者优先。\n技术影响力方向：在 GitHub 上有高质量 AI 项目，或有优质技术博客与社区影响力。\nAI Infra 方向：了解 vLLM、SGLang、Ollama 等推理框架原理，理解延迟优化、KV Cache 优化、流式输出等工程全局视角。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T008",
"T016"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}