{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "高德-高级 AI 应用工程师-Agent研发专项",
        "job_level": "高级",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "北京",
        "work_mode": "未披露",AI生成
        "job_category": "技术类-算法"AI生成
    },
    "company": {
        "company_name": "高德",
        "company_industry": "数字地图 / 导航服务",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "高德提供电子地图和导航服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 5,
        "degree": "工程基础：计算机相关专业本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. Agent 编排与架构设计 (Orchestration & Architecture)\n设计并实现高性能的 Agent 编排引擎，支持复杂的任务分解（Task Decomposition）、动态规划（Planning）及多步推理（CoT/ToT）。\n构建 多智能体（Multi-Agent）协作框架，定义智能体间的通信协议、角色分工、冲突消解机制及共识达成策略，确保系统在复杂场景下的协同效率 。\n落地先进的 设计模式，如反射（Reflection）、工具使用（Tool Use）、人机回环（Human-in-the-loop）等，提升系统的鲁棒性与自适应能力 。\n2. LLM Ops 与系统优化 (LLM Ops & Optimization)\n搭建完整的 LLM Ops 体系，涵盖模型部署、版本管理、灰度发布、自动化监控及成本优化（Token 预算管理）。\n负责 推理性能调优，通过提示词工程（Prompt Engineering）、模型微调（SFT/LoRA）、量化技术及缓存策略，显著降低延迟并提升吞吐量 。\n构建 可观测性平台，实现对 Agent 执行链路的全程追踪（Trace），包括意图识别准确率、工具调用成功率、幻觉检测及异常自动恢复机制 。\n3. 数据闭环与评测体系 (Data Loop & Evaluation)\n设计并实施自动化的 Agent 评测框架（Eval Framework），建立多维度的评估指标（如任务完成率、规划逻辑性、记忆准确性），驱动系统持续迭代 。\n构建 “数据 - 训练 - 评测”闭环，利用用户反馈日志挖掘高质量微调数据（Hard Negative Mining），指导模型对齐与能力增强 。\n优化 检索增强生成（RAG） pipeline，包括混合检索策略、重排序（Re-ranking）、知识图谱融合及上下文窗口管理，解决长尾知识问答难题 。\n4. 基础设施与工具生态\n开发标准化的 工具接入层（MCP/Function Calling），实现外部 API、内部系统及私有数据的无缝集成，确保参数校验与执行安全 。\n设计 记忆系统（Memory System），结合向量数据库与关系型存储，实现短期上下文管理与长期个性化记忆的持久化与高效检索 。\n探索 容器化与隔离技术，为海量并发 Agent 提供安全、资源隔离的运行环境（如基于 Kubernetes 的动态调度）。",
        "requirements_text": "工程基础：计算机相关专业本科及以上学历，5 年以上后端开发经验，精通 Python/Go，熟悉分布式系统、高并发架构及云原生技术（K8s, Docker）。\nAgent 实战：具有从 0 到 1 构建生产级 Agent 系统的完整经历，熟练掌握 LangChain, LangGraph, AutoGen, Semantic Kernel 等主流框架，并能根据业务需求进行深度定制或自研核心模块 。\n模型理解：深入理解 Transformer 架构及主流大模型（GPT-4, Claude, Llama, DeepSeek 等）的特性差异，具备 Prompt 调优、Fine-tuning 及 RAG 优化 的实战经验 。\n工具链掌握：重度使用过 Cursor, Claude Code, Copilot 等 AI 编程工具，具备高效的“人机协作”开发模式（Vibe Coding），能快速原型验证并落地复杂逻辑 。\n数据敏感度：具备优秀的数据直觉，能够通过分析执行日志定位系统瓶颈，设计科学的数据标注与清洗方案 。\n问题解决：擅长处理大模型特有的“不确定性”问题（如幻觉、死循环、上下文丢失），有成熟的兜底策略与容错机制设计经验 。\n加分项\n有 Multi-Agent 系统 在复杂业务场景（如自动化运维、代码生成、数据分析）落地的成功案例。\n参与过开源 Agent 框架贡献，或在相关领域发表过技术文章/专利。\n熟悉 强化学习（RLHF/RLAIF） 在 Agent 对齐中的应用，或有相关项目经验 。\n具备全栈开发能力，能独立构建包含前端交互、后端逻辑及模型服务的完整 Demo 。",
        "skills": [AI生成
            "Python",
            "Docker",
            "强化学习",
            "分布式系统",
            "数据分析",
            "数据标注",
            "Go",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://talent.amap.com/off-campus/position-detail?positionId=100012920005"
            }
        ]
    },
    "posting": {
        "posting_id": "100012920005",
        "post_date": "2026-09-14",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.amap.com/off-campus/position-detail?positionId=100012920005"
    },
    "fulltext": "高德-高级 AI 应用工程师-Agent研发专项\n高德-高级 AI 应用工程师-Agent研发专项\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京\n\n职位描述\n1. Agent 编排与架构设计 (Orchestration & Architecture)\n设计并实现高性能的 Agent 编排引擎，支持复杂的任务分解（Task Decomposition）、动态规划（Planning）及多步推理（CoT/ToT）。\n构建 多智能体（Multi-Agent）协作框架，定义智能体间的通信协议、角色分工、冲突消解机制及共识达成策略，确保系统在复杂场景下的协同效率 。\n落地先进的 设计模式，如反射（Reflection）、工具使用（Tool Use）、人机回环（Human-in-the-loop）等，提升系统的鲁棒性与自适应能力 。\n2. LLM Ops 与系统优化 (LLM Ops & Optimization)\n搭建完整的 LLM Ops 体系，涵盖模型部署、版本管理、灰度发布、自动化监控及成本优化（Token 预算管理）。\n负责 推理性能调优，通过提示词工程（Prompt Engineering）、模型微调（SFT/LoRA）、量化技术及缓存策略，显著降低延迟并提升吞吐量 。\n构建 可观测性平台，实现对 Agent 执行链路的全程追踪（Trace），包括意图识别准确率、工具调用成功率、幻觉检测及异常自动恢复机制 。\n3. 数据闭环与评测体系 (Data Loop & Evaluation)\n设计并实施自动化的 Agent 评测框架（Eval Framework），建立多维度的评估指标（如任务完成率、规划逻辑性、记忆准确性），驱动系统持续迭代 。\n构建 “数据 - 训练 - 评测”闭环，利用用户反馈日志挖掘高质量微调数据（Hard Negative Mining），指导模型对齐与能力增强 。\n优化 检索增强生成（RAG） pipeline，包括混合检索策略、重排序（Re-ranking）、知识图谱融合及上下文窗口管理，解决长尾知识问答难题 。\n4. 基础设施与工具生态\n开发标准化的 工具接入层（MCP/Function Calling），实现外部 API、内部系统及私有数据的无缝集成，确保参数校验与执行安全 。\n设计 记忆系统（Memory System），结合向量数据库与关系型存储，实现短期上下文管理与长期个性化记忆的持久化与高效检索 。\n探索 容器化与隔离技术，为海量并发 Agent 提供安全、资源隔离的运行环境（如基于 Kubernetes 的动态调度）。\n\n职位要求\n工程基础：计算机相关专业本科及以上学历，5 年以上后端开发经验，精通 Python/Go，熟悉分布式系统、高并发架构及云原生技术（K8s, Docker）。\nAgent 实战：具有从 0 到 1 构建生产级 Agent 系统的完整经历，熟练掌握 LangChain, LangGraph, AutoGen, Semantic Kernel 等主流框架，并能根据业务需求进行深度定制或自研核心模块 。\n模型理解：深入理解 Transformer 架构及主流大模型（GPT-4, Claude, Llama, DeepSeek 等）的特性差异，具备 Prompt 调优、Fine-tuning 及 RAG 优化 的实战经验 。\n工具链掌握：重度使用过 Cursor, Claude Code, Copilot 等 AI 编程工具，具备高效的“人机协作”开发模式（Vibe Coding），能快速原型验证并落地复杂逻辑 。\n数据敏感度：具备优秀的数据直觉，能够通过分析执行日志定位系统瓶颈，设计科学的数据标注与清洗方案 。\n问题解决：擅长处理大模型特有的“不确定性”问题（如幻觉、死循环、上下文丢失），有成熟的兜底策略与容错机制设计经验 。\n加分项\n有 Multi-Agent 系统 在复杂业务场景（如自动化运维、代码生成、数据分析）落地的成功案例。\n参与过开源 Agent 框架贡献，或在相关领域发表过技术文章/专利。\n熟悉 强化学习（RLHF/RLAIF） 在 Agent 对齐中的应用，或有相关项目经验 。\n具备全栈开发能力，能独立构建包含前端交互、后端逻辑及模型服务的完整 Demo 。\n1. Agent 编排与架构设计 (Orchestration & Architecture)\n设计并实现高性能的 Agent 编排引擎，支持复杂的任务分解（Task Decomposition）、动态规划（Planning）及多步推理（CoT/ToT）。\n构建 多智能体（Multi-Agent）协作框架，定义智能体间的通信协议、角色分工、冲突消解机制及共识达成策略，确保系统在复杂场景下的协同效率 。\n落地先进的 设计模式，如反射（Reflection）、工具使用（Tool Use）、人机回环（Human-in-the-loop）等，提升系统的鲁棒性与自适应能力 。\n2. LLM Ops 与系统优化 (LLM Ops & Optimization)\n搭建完整的 LLM Ops 体系，涵盖模型部署、版本管理、灰度发布、自动化监控及成本优化（Token 预算管理）。\n负责 推理性能调优，通过提示词工程（Prompt Engineering）、模型微调（SFT/LoRA）、量化技术及缓存策略，显著降低延迟并提升吞吐量 。\n构建 可观测性平台，实现对 Agent 执行链路的全程追踪（Trace），包括意图识别准确率、工具调用成功率、幻觉检测及异常自动恢复机制 。\n3. 数据闭环与评测体系 (Data Loop & Evaluation)\n设计并实施自动化的 Agent 评测框架（Eval Framework），建立多维度的评估指标（如任务完成率、规划逻辑性、记忆准确性），驱动系统持续迭代 。\n构建 “数据 - 训练 - 评测”闭环，利用用户反馈日志挖掘高质量微调数据（Hard Negative Mining），指导模型对齐与能力增强 。\n优化 检索增强生成（RAG） pipeline，包括混合检索策略、重排序（Re-ranking）、知识图谱融合及上下文窗口管理，解决长尾知识问答难题 。\n4. 基础设施与工具生态\n开发标准化的 工具接入层（MCP/Function Calling），实现外部 API、内部系统及私有数据的无缝集成，确保参数校验与执行安全 。\n设计 记忆系统（Memory System），结合向量数据库与关系型存储，实现短期上下文管理与长期个性化记忆的持久化与高效检索 。\n探索 容器化与隔离技术，为海量并发 Agent 提供安全、资源隔离的运行环境（如基于 Kubernetes 的动态调度）。\n工程基础：计算机相关专业本科及以上学历，5 年以上后端开发经验，精通 Python/Go，熟悉分布式系统、高并发架构及云原生技术（K8s, Docker）。\nAgent 实战：具有从 0 到 1 构建生产级 Agent 系统的完整经历，熟练掌握 LangChain, LangGraph, AutoGen, Semantic Kernel 等主流框架，并能根据业务需求进行深度定制或自研核心模块 。\n模型理解：深入理解 Transformer 架构及主流大模型（GPT-4, Claude, Llama, DeepSeek 等）的特性差异，具备 Prompt 调优、Fine-tuning 及 RAG 优化 的实战经验 。\n工具链掌握：重度使用过 Cursor, Claude Code, Copilot 等 AI 编程工具，具备高效的“人机协作”开发模式（Vibe Coding），能快速原型验证并落地复杂逻辑 。\n数据敏感度：具备优秀的数据直觉，能够通过分析执行日志定位系统瓶颈，设计科学的数据标注与清洗方案 。\n问题解决：擅长处理大模型特有的“不确定性”问题（如幻觉、死循环、上下文丢失），有成熟的兜底策略与容错机制设计经验 。\n加分项\n有 Multi-Agent 系统 在复杂业务场景（如自动化运维、代码生成、数据分析）落地的成功案例。\n参与过开源 Agent 框架贡献，或在相关领域发表过技术文章/专利。\n熟悉 强化学习（RLHF/RLAIF） 在 Agent 对齐中的应用，或有相关项目经验 。\n具备全栈开发能力，能独立构建包含前端交互、后端逻辑及模型服务的完整 Demo 。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}