{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "千问事业部-MOS 实验室-推荐/推送算法专家（大模型方向）-杭州/北京/广州",
        "job_level": "专家",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "北京 / 杭州 / 广州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类-算法"AI生成
    },
    "company": {
        "company_name": "夸克",
        "company_industry": "互联网 / 人工智能应用",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "夸克提供AI搜索等人工智能应用服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：定义大模型时代的主动推荐\n1. 主动服务场景构建： 负责千问场景下的主动推荐算法研发。基于用户长期记忆与画像，构建主动发起聊天话题、引导任务执行的算法体系。\n2. 生成式推荐探索： 探索 LLM-Native 的推荐范式，利用大模型的原生推理能力实现生成式推荐（Generative Recommendation），打破传统过滤式推荐的局限。\n3. 时机决策与推送策略： 针对主动服务中的“打扰度”痛点，构建高精度的时机建模（Timing Modeling）与推送策略，确保在最合适的时刻提供最具价值的信息。\n4. 长时记忆与任务驱动： 结合 RAG 与记忆模块，使推荐逻辑具备跨时空的连续性，实现基于历史上下文的精准任务挖掘与发起。\n5. 业务闭环优化： 深度理解推荐与推送业务指标（点击、留存、任务达成），通过算法手段实现用户价值与业务增长的协同。\n职级可看P6-P8",
        "requirements_text": "1. 推荐领域资深背景： 拥有丰富的荐系统或推送业务经验，对召回、排序、重排等经典架构有深刻理解。\n2. 大模型实战经验： 熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先。\n3. 策略与建模能力：\n○ 精通传统推荐算法（如多任务学习、强化学习、序列建模）。\n○ 在推送算法、用户生命周期建模、或 Uplift Model 等增量建模方向有成功案例。\n4. 敏锐的业务洞察： 能够从用户体验角度出发设计算法，对“主动服务”场景有独特的思考，不拘泥于单纯的技术实现。\n5. 工程与硬技能： 极其扎实的编程功底（Python/Java/C++），熟悉主流深度学习框架，具备处理海量数据、实现复杂逻辑落地的能力。\n加分项\n● 在推荐系统或 NLP 顶会（RecSys, SIGIR, KDD, ACL 等）发表过大模型推荐相关论文。\n● 有成功的“主动式 AI”或“情感化交互”产品落地经验。\n● 在处理复杂用户记忆、长上下文推理方面有独到见解。",
        "skills": [AI生成
            "Python",
            "Java",
            "C++",
            "深度学习",
            "强化学习",
            "自然语言处理",
            "推荐算法",
            "建模",
            "大语言模型"
        ],
        "preferred_qualifications": "2. 大模型实战经验： 熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先；加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://talent.quark.cn/off-campus/position-detail?positionId=100004320002"
            }
        ]
    },
    "posting": {
        "posting_id": "100004320002",
        "post_date": "2026-09-16",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.quark.cn/off-campus/position-detail?positionId=100004320002"
    },
    "fulltext": "千问事业部-MOS 实验室-推荐/推送算法专家（大模型方向）-杭州/北京/广州\n千问事业部-MOS 实验室-推荐/推送算法专家（大模型方向）-杭州/北京/广州\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京 / 杭州 / 广州\n\n职位描述\n关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：定义大模型时代的主动推荐\n1. 主动服务场景构建： 负责千问场景下的主动推荐算法研发。基于用户长期记忆与画像，构建主动发起聊天话题、引导任务执行的算法体系。\n2. 生成式推荐探索： 探索 LLM-Native 的推荐范式，利用大模型的原生推理能力实现生成式推荐（Generative Recommendation），打破传统过滤式推荐的局限。\n3. 时机决策与推送策略： 针对主动服务中的“打扰度”痛点，构建高精度的时机建模（Timing Modeling）与推送策略，确保在最合适的时刻提供最具价值的信息。\n4. 长时记忆与任务驱动： 结合 RAG 与记忆模块，使推荐逻辑具备跨时空的连续性，实现基于历史上下文的精准任务挖掘与发起。\n5. 业务闭环优化： 深度理解推荐与推送业务指标（点击、留存、任务达成），通过算法手段实现用户价值与业务增长的协同。\n职级可看P6-P8\n\n职位要求\n1. 推荐领域资深背景： 拥有丰富的荐系统或推送业务经验，对召回、排序、重排等经典架构有深刻理解。\n2. 大模型实战经验： 熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先。\n3. 策略与建模能力：\n○ 精通传统推荐算法（如多任务学习、强化学习、序列建模）。\n○ 在推送算法、用户生命周期建模、或 Uplift Model 等增量建模方向有成功案例。\n4. 敏锐的业务洞察： 能够从用户体验角度出发设计算法，对“主动服务”场景有独特的思考，不拘泥于单纯的技术实现。\n5. 工程与硬技能： 极其扎实的编程功底（Python/Java/C++），熟悉主流深度学习框架，具备处理海量数据、实现复杂逻辑落地的能力。\n加分项\n● 在推荐系统或 NLP 顶会（RecSys, SIGIR, KDD, ACL 等）发表过大模型推荐相关论文。\n● 有成功的“主动式 AI”或“情感化交互”产品落地经验。\n● 在处理复杂用户记忆、长上下文推理方面有独到见解。\n关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：定义大模型时代的主动推荐\n1. 主动服务场景构建： 负责千问场景下的主动推荐算法研发。基于用户长期记忆与画像，构建主动发起聊天话题、引导任务执行的算法体系。\n2. 生成式推荐探索： 探索 LLM-Native 的推荐范式，利用大模型的原生推理能力实现生成式推荐（Generative Recommendation），打破传统过滤式推荐的局限。\n3. 时机决策与推送策略： 针对主动服务中的“打扰度”痛点，构建高精度的时机建模（Timing Modeling）与推送策略，确保在最合适的时刻提供最具价值的信息。\n4. 长时记忆与任务驱动： 结合 RAG 与记忆模块，使推荐逻辑具备跨时空的连续性，实现基于历史上下文的精准任务挖掘与发起。\n5. 业务闭环优化： 深度理解推荐与推送业务指标（点击、留存、任务达成），通过算法手段实现用户价值与业务增长的协同。\n职级可看P6-P8\n1. 推荐领域资深背景： 拥有丰富的荐系统或推送业务经验，对召回、排序、重排等经典架构有深刻理解。\n2. 大模型实战经验： 熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先。\n3. 策略与建模能力：\n○ 精通传统推荐算法（如多任务学习、强化学习、序列建模）。\n○ 在推送算法、用户生命周期建模、或 Uplift Model 等增量建模方向有成功案例。\n4. 敏锐的业务洞察： 能够从用户体验角度出发设计算法，对“主动服务”场景有独特的思考，不拘泥于单纯的技术实现。\n5. 工程与硬技能： 极其扎实的编程功底（Python/Java/C++），熟悉主流深度学习框架，具备处理海量数据、实现复杂逻辑落地的能力。\n加分项\n● 在推荐系统或 NLP 顶会（RecSys, SIGIR, KDD, ACL 等）发表过大模型推荐相关论文。\n● 有成功的“主动式 AI”或“情感化交互”产品落地经验。\n● 在处理复杂用户记忆、长上下文推理方面有独到见解。",
    "standard_classification": {
        "std_category_code": "T011",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}