主分类：Agent系统开发
辅助：大模型与生成式算法研发（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 Agent 后训练专家（急招）-电商交易方向",
"job_level": "专家",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": "未披露"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": "学历背景：本科及以上",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们是淘天集团交易链路核心团队，构建 AI 驱动的电商交易新范式。通过 Agent 技术赋能订单履约、逆向售后、商家服务等核心场景，服务 10 亿+消费者和千万级商家生态。\n技术特色:\n● 电商 Agent 实战场景 - 电商消费者购物助手、平台运营助手、售后管理助手等；\n● 大规模生产级应用 - 日均百万级 Agent 调用，毫秒级响应；\n● 前沿技术探索 - RAG、Multi-Agent、LLM 微调在电商场景深度应用；\n● 业务价值创造 - 交易效率提升、用户体验优化、成本降低；\n1. 电商 Agent 系统设计与落地\n● 面向下单、购物车、订单、物流、逆向、商家等场景，设计实现生产级 AI Agent 系统；\n● 完成需求澄清、技术方案、工程实现到线上大规模运营的全链路闭环；\n● 持续优化 Agent 能力，创造可量化业务价值（客服效率、自动化率、满意度等）；\n2. 大模型应用工程化\n● 负责 LLM 应用的数据处理、Prompt 工程、模型选型与调优；\n● 探索 SFT、RLHF、RAG 等技术在交易场景的实践；\n● 支撑业务快速迭代，平衡模型效果与工程质量；\n3. 生产级系统交付\n● 构建高并发、低延迟、高可用的 Agent 推理服务；\n● 实现可观测性体系（监控、日志、链路追踪），保障线上稳定性；\n● 通过量化、剪枝、Cache 优化等手段提升系统性能；\n4. 效果评估与持续优化\n● 建立 Agent 效果评估体系，通过 AB 测试、人工评测、业务指标形成迭代闭环；\n● 分析 badcase，持续优化模型能力与系统鲁棒性；\n5. 跨团队协作与技术推广\n● 与大数据、云计算、前后端、产品、业务团队深度协同；\n● 跟踪前沿研究与产业趋势，快速验证并应用。",
"requirements_text": "1. 学历背景：本科及以上，计算机/人工智能/软件工程等相关专业优先。\n2. Agent 大规模落地经验：\n● 必须具备线上大规模 Agent 系统实际落地经验；\n● 曾主导或深度参与日活万级以上 Agent 应用开发与运营；\n● 能够说明:\n○ Agent 系统架构设计与技术选型；\n○ 线上核心挑战及解决方案（幻觉、延迟、成本控制）；\n○ 业务指标提升的量化数据；\n加分场景:\n● 智能客服/售后 Agent 系统；\n● 自动化运营 Agent（营销托管、商家自助运营）；\n● 多轮对话 Agent（导购助手、售后助手等）；\n● Multi-Agent 协作系统；\n3. AI 工程化能力\n● 熟悉 AI 研发全流程: 场景分析、指标定义、方案设计到系统交付；\n● 掌握 LLM 后训练流程: 数据预处理、Few-shot/Prompt 工程、模型微调；\n● 理解 Agent 核心技术: ReAct、CoT、Tool Use、Memory Management、Multi-Agent；\n4. 工程化能力\n● 具备生产级系统开发经验，支撑高并发、低延迟在线推理服务；\n● 熟悉 Python/Java，了解微服务架构、缓存、消息队列；\n● 熟悉 Docker/K8s 等容器化技术优先；\n5. 电商业务理解（加分项）\n● 有电商交易、营销、物流、客服等场景 AI 落地经验；\n● 理解电商核心指标（GMV、转化率、客服效率等）；\n6. 软素质：协作与推进能力\n● 跨团队协作，与产品、业务、数据、平台团队高效沟通；\n● 结果导向，能在不确定性中快速试错与迭代；\n● 技术视野开阔，对前沿技术保持学习热情。",
"skills": [AI生成
"Python",
"Java",
"Docker",
"React",
"微服务",
"模型微调",
"系统架构",
"架构设计",
"团队协作",
"大语言模型"
],
"preferred_qualifications": "1. 学历背景：本科及以上，计算机/人工智能/软件工程等相关专业优先；加分场景:；● 熟悉 Docker/K8s 等容器化技术优先；5. 电商业务理解（加分项）",
"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=100011720022"
}
]
},
"posting": {
"posting_id": "100011720022",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100011720022"
},
"fulltext": "业务技术-AI Agent 后训练专家（急招）-电商交易方向\n业务技术-AI Agent 后训练专家（急招）-电商交易方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n我们是淘天集团交易链路核心团队，构建 AI 驱动的电商交易新范式。通过 Agent 技术赋能订单履约、逆向售后、商家服务等核心场景，服务 10 亿+消费者和千万级商家生态。\n技术特色:\n● 电商 Agent 实战场景 - 电商消费者购物助手、平台运营助手、售后管理助手等；\n● 大规模生产级应用 - 日均百万级 Agent 调用，毫秒级响应；\n● 前沿技术探索 - RAG、Multi-Agent、LLM 微调在电商场景深度应用；\n● 业务价值创造 - 交易效率提升、用户体验优化、成本降低；\n1. 电商 Agent 系统设计与落地\n● 面向下单、购物车、订单、物流、逆向、商家等场景，设计实现生产级 AI Agent 系统；\n● 完成需求澄清、技术方案、工程实现到线上大规模运营的全链路闭环；\n● 持续优化 Agent 能力，创造可量化业务价值（客服效率、自动化率、满意度等）；\n2. 大模型应用工程化\n● 负责 LLM 应用的数据处理、Prompt 工程、模型选型与调优；\n● 探索 SFT、RLHF、RAG 等技术在交易场景的实践；\n● 支撑业务快速迭代，平衡模型效果与工程质量；\n3. 生产级系统交付\n● 构建高并发、低延迟、高可用的 Agent 推理服务；\n● 实现可观测性体系（监控、日志、链路追踪），保障线上稳定性；\n● 通过量化、剪枝、Cache 优化等手段提升系统性能；\n4. 效果评估与持续优化\n● 建立 Agent 效果评估体系，通过 AB 测试、人工评测、业务指标形成迭代闭环；\n● 分析 badcase，持续优化模型能力与系统鲁棒性；\n5. 跨团队协作与技术推广\n● 与大数据、云计算、前后端、产品、业务团队深度协同；\n● 跟踪前沿研究与产业趋势，快速验证并应用。\n\n职位要求\n1. 学历背景：本科及以上，计算机/人工智能/软件工程等相关专业优先。\n2. Agent 大规模落地经验：\n● 必须具备线上大规模 Agent 系统实际落地经验；\n● 曾主导或深度参与日活万级以上 Agent 应用开发与运营；\n● 能够说明:\n○ Agent 系统架构设计与技术选型；\n○ 线上核心挑战及解决方案（幻觉、延迟、成本控制）；\n○ 业务指标提升的量化数据；\n加分场景:\n● 智能客服/售后 Agent 系统；\n● 自动化运营 Agent（营销托管、商家自助运营）；\n● 多轮对话 Agent（导购助手、售后助手等）；\n● Multi-Agent 协作系统；\n3. AI 工程化能力\n● 熟悉 AI 研发全流程: 场景分析、指标定义、方案设计到系统交付；\n● 掌握 LLM 后训练流程: 数据预处理、Few-shot/Prompt 工程、模型微调；\n● 理解 Agent 核心技术: ReAct、CoT、Tool Use、Memory Management、Multi-Agent；\n4. 工程化能力\n● 具备生产级系统开发经验，支撑高并发、低延迟在线推理服务；\n● 熟悉 Python/Java，了解微服务架构、缓存、消息队列；\n● 熟悉 Docker/K8s 等容器化技术优先；\n5. 电商业务理解（加分项）\n● 有电商交易、营销、物流、客服等场景 AI 落地经验；\n● 理解电商核心指标（GMV、转化率、客服效率等）；\n6. 软素质：协作与推进能力\n● 跨团队协作，与产品、业务、数据、平台团队高效沟通；\n● 结果导向，能在不确定性中快速试错与迭代；\n● 技术视野开阔，对前沿技术保持学习热情。\n我们是淘天集团交易链路核心团队，构建 AI 驱动的电商交易新范式。通过 Agent 技术赋能订单履约、逆向售后、商家服务等核心场景，服务 10 亿+消费者和千万级商家生态。\n技术特色:\n● 电商 Agent 实战场景 - 电商消费者购物助手、平台运营助手、售后管理助手等；\n● 大规模生产级应用 - 日均百万级 Agent 调用，毫秒级响应；\n● 前沿技术探索 - RAG、Multi-Agent、LLM 微调在电商场景深度应用；\n● 业务价值创造 - 交易效率提升、用户体验优化、成本降低；\n1. 电商 Agent 系统设计与落地\n● 面向下单、购物车、订单、物流、逆向、商家等场景，设计实现生产级 AI Agent 系统；\n● 完成需求澄清、技术方案、工程实现到线上大规模运营的全链路闭环；\n● 持续优化 Agent 能力，创造可量化业务价值（客服效率、自动化率、满意度等）；\n2. 大模型应用工程化\n● 负责 LLM 应用的数据处理、Prompt 工程、模型选型与调优；\n● 探索 SFT、RLHF、RAG 等技术在交易场景的实践；\n● 支撑业务快速迭代，平衡模型效果与工程质量；\n3. 生产级系统交付\n● 构建高并发、低延迟、高可用的 Agent 推理服务；\n● 实现可观测性体系（监控、日志、链路追踪），保障线上稳定性；\n● 通过量化、剪枝、Cache 优化等手段提升系统性能；\n4. 效果评估与持续优化\n● 建立 Agent 效果评估体系，通过 AB 测试、人工评测、业务指标形成迭代闭环；\n● 分析 badcase，持续优化模型能力与系统鲁棒性；\n5. 跨团队协作与技术推广\n● 与大数据、云计算、前后端、产品、业务团队深度协同；\n● 跟踪前沿研究与产业趋势，快速验证并应用。\n1. 学历背景：本科及以上，计算机/人工智能/软件工程等相关专业优先。\n2. Agent 大规模落地经验：\n● 必须具备线上大规模 Agent 系统实际落地经验；\n● 曾主导或深度参与日活万级以上 Agent 应用开发与运营；\n● 能够说明:\n○ Agent 系统架构设计与技术选型；\n○ 线上核心挑战及解决方案（幻觉、延迟、成本控制）；\n○ 业务指标提升的量化数据；\n加分场景:\n● 智能客服/售后 Agent 系统；\n● 自动化运营 Agent（营销托管、商家自助运营）；\n● 多轮对话 Agent（导购助手、售后助手等）；\n● Multi-Agent 协作系统；\n3. AI 工程化能力\n● 熟悉 AI 研发全流程: 场景分析、指标定义、方案设计到系统交付；\n● 掌握 LLM 后训练流程: 数据预处理、Few-shot/Prompt 工程、模型微调；\n● 理解 Agent 核心技术: ReAct、CoT、Tool Use、Memory Management、Multi-Agent；\n4. 工程化能力\n● 具备生产级系统开发经验，支撑高并发、低延迟在线推理服务；\n● 熟悉 Python/Java，了解微服务架构、缓存、消息队列；\n● 熟悉 Docker/K8s 等容器化技术优先；\n5. 电商业务理解（加分项）\n● 有电商交易、营销、物流、客服等场景 AI 落地经验；\n● 理解电商核心指标（GMV、转化率、客服效率等）；\n6. 软素质：协作与推进能力\n● 跨团队协作，与产品、业务、数据、平台团队高效沟通；\n● 结果导向，能在不确定性中快速试错与迭代；\n● 技术视野开阔，对前沿技术保持学习热情。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}