主分类：Agent系统开发
辅助：语音与音频算法研发（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": "数据技术及产品部-语音数据Agent算法专家-杭州/北京",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "阿里巴巴控股集团",
"company_industry": "电子商务 / 云计算 / 人工智能",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里巴巴集团面向消费者和企业提供电子商务、云计算及人工智能服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 5,
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、设计和实现面向语音数据生产的 Agent/Agentic Workflow 模块，将大模型、Speech/Audio 模型、Prompt、规则和工具组合成可验证、可回归、可监控的自动化生产能力。\n2、根据个人主责模块，承接自动/辅助标注、AI 质检、LLM/Model Judge、置信度校准、风险分层、abstention 或人机路由中的部分能力；不要求单人同时亲自实现全部模块。\n3、建立所负责模块与人工 Gold 对齐的质量评估、误差分析和生产决策阈值，在给定质量约束下提高可信自动化覆盖率。\n4、建设开发集、回归集和长尾 challenge set，完成离线实验、badcase taxonomy、版本回归、漂移监控和持续优化；向独立验证团队提出冻结测试覆盖需求，但不自行审批上线。\n5、通过 Shadow Test、小流量试产、A/B Test 或其他可审计实验，证明方案在质量、覆盖率、人效和单位成本上的实际收益，并设计 stop/rollback 条件。\n6、与语音模型算法、数据处理、生产质量、数据策略和平台工程合作，把 Agent 接入真实生产链路。",
"requirements_text": "1、5 年及以上算法、机器学习或大模型相关经验。\n2、至少具备一类真实生产系统经验：Agent/Workflow、自动化模型评测、LLM-as-Judge、数据质量算法、自动/辅助标注、AI 质检或 Human-in-the-loop 决策系统。\n3、能使用 Python 独立完成算法原型、评测 pipeline 和生产接入所需核心代码，具备结构化输出、tool calling、retry/fallback、trace/replay 和版本化意识。\n4、理解监督学习、分类/排序、统计评测、概率与不确定性，能够把模型 score 转换成生产决策阈值。\n5、理解 Judge 偏差、人工 Gold、inter-rater agreement、置信度校准、precision-at-auto-accept、false-accept、coverage-risk、selective prediction 和 abstention。\n6、能设计 Shadow、小流量或 A/B 实验，理解质量、coverage、人工返工、成本、延迟、fallback 和分群长尾之间的关系。\n优先级加分：\n1、理解语音生产中的噪声、远场、重叠说话、diarization、VAD、方言/口音、LID/code-switch、长音频、TN/ITN、ASR hallucination、TTS 音质/韵律/音色和 turn-taking 等问题。",
"skills": [AI生成
"Python",
"机器学习",
"大语言模型"
],
"preferred_qualifications": "优先级加分：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100013400003"
}
]
},
"posting": {
"posting_id": "100013400003",
"post_date": "2026-09-08",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100013400003"
},
"fulltext": "数据技术及产品部-语音数据Agent算法专家-杭州/北京\n数据技术及产品部-语音数据Agent算法专家-杭州/北京\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\n\n职位描述\n1、设计和实现面向语音数据生产的 Agent/Agentic Workflow 模块，将大模型、Speech/Audio 模型、Prompt、规则和工具组合成可验证、可回归、可监控的自动化生产能力。\n2、根据个人主责模块，承接自动/辅助标注、AI 质检、LLM/Model Judge、置信度校准、风险分层、abstention 或人机路由中的部分能力；不要求单人同时亲自实现全部模块。\n3、建立所负责模块与人工 Gold 对齐的质量评估、误差分析和生产决策阈值，在给定质量约束下提高可信自动化覆盖率。\n4、建设开发集、回归集和长尾 challenge set，完成离线实验、badcase taxonomy、版本回归、漂移监控和持续优化；向独立验证团队提出冻结测试覆盖需求，但不自行审批上线。\n5、通过 Shadow Test、小流量试产、A/B Test 或其他可审计实验，证明方案在质量、覆盖率、人效和单位成本上的实际收益，并设计 stop/rollback 条件。\n6、与语音模型算法、数据处理、生产质量、数据策略和平台工程合作，把 Agent 接入真实生产链路。\n\n职位要求\n1、5 年及以上算法、机器学习或大模型相关经验。\n2、至少具备一类真实生产系统经验：Agent/Workflow、自动化模型评测、LLM-as-Judge、数据质量算法、自动/辅助标注、AI 质检或 Human-in-the-loop 决策系统。\n3、能使用 Python 独立完成算法原型、评测 pipeline 和生产接入所需核心代码，具备结构化输出、tool calling、retry/fallback、trace/replay 和版本化意识。\n4、理解监督学习、分类/排序、统计评测、概率与不确定性，能够把模型 score 转换成生产决策阈值。\n5、理解 Judge 偏差、人工 Gold、inter-rater agreement、置信度校准、precision-at-auto-accept、false-accept、coverage-risk、selective prediction 和 abstention。\n6、能设计 Shadow、小流量或 A/B 实验，理解质量、coverage、人工返工、成本、延迟、fallback 和分群长尾之间的关系。\n优先级加分：\n1、理解语音生产中的噪声、远场、重叠说话、diarization、VAD、方言/口音、LID/code-switch、长音频、TN/ITN、ASR hallucination、TTS 音质/韵律/音色和 turn-taking 等问题。\n1、设计和实现面向语音数据生产的 Agent/Agentic Workflow 模块，将大模型、Speech/Audio 模型、Prompt、规则和工具组合成可验证、可回归、可监控的自动化生产能力。\n2、根据个人主责模块，承接自动/辅助标注、AI 质检、LLM/Model Judge、置信度校准、风险分层、abstention 或人机路由中的部分能力；不要求单人同时亲自实现全部模块。\n3、建立所负责模块与人工 Gold 对齐的质量评估、误差分析和生产决策阈值，在给定质量约束下提高可信自动化覆盖率。\n4、建设开发集、回归集和长尾 challenge set，完成离线实验、badcase taxonomy、版本回归、漂移监控和持续优化；向独立验证团队提出冻结测试覆盖需求，但不自行审批上线。\n5、通过 Shadow Test、小流量试产、A/B Test 或其他可审计实验，证明方案在质量、覆盖率、人效和单位成本上的实际收益，并设计 stop/rollback 条件。\n6、与语音模型算法、数据处理、生产质量、数据策略和平台工程合作，把 Agent 接入真实生产链路。\n1、5 年及以上算法、机器学习或大模型相关经验。\n2、至少具备一类真实生产系统经验：Agent/Workflow、自动化模型评测、LLM-as-Judge、数据质量算法、自动/辅助标注、AI 质检或 Human-in-the-loop 决策系统。\n3、能使用 Python 独立完成算法原型、评测 pipeline 和生产接入所需核心代码，具备结构化输出、tool calling、retry/fallback、trace/replay 和版本化意识。\n4、理解监督学习、分类/排序、统计评测、概率与不确定性，能够把模型 score 转换成生产决策阈值。\n5、理解 Judge 偏差、人工 Gold、inter-rater agreement、置信度校准、precision-at-auto-accept、false-accept、coverage-risk、selective prediction 和 abstention。\n6、能设计 Shadow、小流量或 A/B 实验，理解质量、coverage、人工返工、成本、延迟、fallback 和分群长尾之间的关系。\n优先级加分：\n1、理解语音生产中的噪声、远场、重叠说话、diarization、VAD、方言/口音、LID/code-switch、长音频、TN/ITN、ASR hallucination、TTS 音质/韵律/音色和 turn-taking 等问题。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T035"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}