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": "集团安全部-行为风控Agent算法专家-杭州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "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": "",
"degree": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "深入行为风险业务，理解行为风控系统全链路，设计并构建面向行为风控的各类agent。根据业务特点完成Agent架构设计（Harness Engineering、Memory设计、Skill建设），同时针对大模型在Agent运行过程中存在的效果不佳问题做定制优化，系统性提升Agent的完成质量与业务效果。\n岗位职责\n1. 行为风控Agent体系构建\n深入理解行为风控业务场景（账号风险、交易风险、营销反作弊、内容安全等），梳理行为风控系统的核心链路与决策逻辑，主导覆盖风险感知、研判、处置全流程的agent建设。根据业务特点完成Agent架构设计，包括任务拆解与编排、多Agent协作机制、人机协同交互范式。\n2. Harness Engineering\n设计Agent的可观测性体系（日志、追踪、监控），确保Agent行为可审计、可回溯、可优化。构建Agent评测体系和约束机制，定义评估指标（任务完成率、准确率、响应时间等），建立持续迭代闭环。\n3. Memory设计\n设计Agent的记忆系统，包括短期记忆（会话上下文）、长期记忆（知识沉淀与经验积累）、工作记忆（任务执行状态）。探索记忆检索、更新、遗忘机制，平衡记忆容量与检索效率。结合行为风控业务特点，设计领域知识的结构化存储与高效召回方案。\n4. Skill建设\n构建Agent的技能体系，将行为风控领域的专家经验（规则策略、分析模式、处置流程）沉淀为可复用的Skill。设计Skill的注册、发现、组合、调度机制，支持动态编排与热更新。建立Skill的质量评估与迭代优化流程。\n5. 大模型效果优化\n针对大模型在Agent运行过程中存在的幻觉、推理偏差、指令遵循不足等问题，探索定制优化方案。包括但不限于：Prompt Engineering优化、SFT微调、RLHF/Agentic RL对齐训练、推理时干预（Guardrails）等。结合行为风控业务数据，构建高质量训练与评测数据集。",
"requirements_text": "学历要求\n硕士及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业。\n经验要求\n● 有实际的Agent设计和落地经验，完整参与过Agent系统的架构设计、开发、上线与迭代。\n● 有行为风控或安全风控业务经验，理解风控业务的核心挑战与技术要求。\n技术能力\n● 熟悉Agentic RL算法（如GRPO、PPO、RLHF等），能够通过强化学习推动Agent策略优化。\n● 深入理解大模型技术栈：Transformer架构、Prompt Engineering、RAG、Function Calling、Multi-Agent协作框架。\n● 熟悉主流Agent框架（LangChain、AutoGPT、MetaGPT、CrewAI等），了解其设计思想与适用场景。\n● 扎实的机器学习/深度学习基础，熟悉PyTorch等主流框架。\n软素质\n● 具备系统思维，能从业务全局视角设计Agent方案，而非孤立优化单点。\n● 有较强的实验设计与数据分析能力，能通过数据驱动Agent迭代。\n● 良好的跨团队协作与沟通能力，能推动复杂项目落地。",
"skills": [AI生成
"PyTorch",
"机器学习",
"深度学习",
"强化学习",
"自然语言处理",
"数据分析",
"架构设计",
"团队协作",
"沟通能力",
"分析能力",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "未披露",
"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=100018560016"
}
]
},
"posting": {
"posting_id": "100018560016",
"post_date": "2026-09-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100018560016"
},
"fulltext": "集团安全部-行为风控Agent算法专家-杭州\n集团安全部-行为风控Agent算法专家-杭州\n\n基础信息\n职位类别：技术类-算法\n工作地点：杭州\n\n职位描述\n深入行为风险业务，理解行为风控系统全链路，设计并构建面向行为风控的各类agent。根据业务特点完成Agent架构设计（Harness Engineering、Memory设计、Skill建设），同时针对大模型在Agent运行过程中存在的效果不佳问题做定制优化，系统性提升Agent的完成质量与业务效果。\n岗位职责\n1. 行为风控Agent体系构建\n深入理解行为风控业务场景（账号风险、交易风险、营销反作弊、内容安全等），梳理行为风控系统的核心链路与决策逻辑，主导覆盖风险感知、研判、处置全流程的agent建设。根据业务特点完成Agent架构设计，包括任务拆解与编排、多Agent协作机制、人机协同交互范式。\n2. Harness Engineering\n设计Agent的可观测性体系（日志、追踪、监控），确保Agent行为可审计、可回溯、可优化。构建Agent评测体系和约束机制，定义评估指标（任务完成率、准确率、响应时间等），建立持续迭代闭环。\n3. Memory设计\n设计Agent的记忆系统，包括短期记忆（会话上下文）、长期记忆（知识沉淀与经验积累）、工作记忆（任务执行状态）。探索记忆检索、更新、遗忘机制，平衡记忆容量与检索效率。结合行为风控业务特点，设计领域知识的结构化存储与高效召回方案。\n4. Skill建设\n构建Agent的技能体系，将行为风控领域的专家经验（规则策略、分析模式、处置流程）沉淀为可复用的Skill。设计Skill的注册、发现、组合、调度机制，支持动态编排与热更新。建立Skill的质量评估与迭代优化流程。\n5. 大模型效果优化\n针对大模型在Agent运行过程中存在的幻觉、推理偏差、指令遵循不足等问题，探索定制优化方案。包括但不限于：Prompt Engineering优化、SFT微调、RLHF/Agentic RL对齐训练、推理时干预（Guardrails）等。结合行为风控业务数据，构建高质量训练与评测数据集。\n\n职位要求\n学历要求\n硕士及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业。\n经验要求\n● 有实际的Agent设计和落地经验，完整参与过Agent系统的架构设计、开发、上线与迭代。\n● 有行为风控或安全风控业务经验，理解风控业务的核心挑战与技术要求。\n技术能力\n● 熟悉Agentic RL算法（如GRPO、PPO、RLHF等），能够通过强化学习推动Agent策略优化。\n● 深入理解大模型技术栈：Transformer架构、Prompt Engineering、RAG、Function Calling、Multi-Agent协作框架。\n● 熟悉主流Agent框架（LangChain、AutoGPT、MetaGPT、CrewAI等），了解其设计思想与适用场景。\n● 扎实的机器学习/深度学习基础，熟悉PyTorch等主流框架。\n软素质\n● 具备系统思维，能从业务全局视角设计Agent方案，而非孤立优化单点。\n● 有较强的实验设计与数据分析能力，能通过数据驱动Agent迭代。\n● 良好的跨团队协作与沟通能力，能推动复杂项目落地。\n深入行为风险业务，理解行为风控系统全链路，设计并构建面向行为风控的各类agent。根据业务特点完成Agent架构设计（Harness Engineering、Memory设计、Skill建设），同时针对大模型在Agent运行过程中存在的效果不佳问题做定制优化，系统性提升Agent的完成质量与业务效果。\n岗位职责\n1. 行为风控Agent体系构建\n深入理解行为风控业务场景（账号风险、交易风险、营销反作弊、内容安全等），梳理行为风控系统的核心链路与决策逻辑，主导覆盖风险感知、研判、处置全流程的agent建设。根据业务特点完成Agent架构设计，包括任务拆解与编排、多Agent协作机制、人机协同交互范式。\n2. Harness Engineering\n设计Agent的可观测性体系（日志、追踪、监控），确保Agent行为可审计、可回溯、可优化。构建Agent评测体系和约束机制，定义评估指标（任务完成率、准确率、响应时间等），建立持续迭代闭环。\n3. Memory设计\n设计Agent的记忆系统，包括短期记忆（会话上下文）、长期记忆（知识沉淀与经验积累）、工作记忆（任务执行状态）。探索记忆检索、更新、遗忘机制，平衡记忆容量与检索效率。结合行为风控业务特点，设计领域知识的结构化存储与高效召回方案。\n4. Skill建设\n构建Agent的技能体系，将行为风控领域的专家经验（规则策略、分析模式、处置流程）沉淀为可复用的Skill。设计Skill的注册、发现、组合、调度机制，支持动态编排与热更新。建立Skill的质量评估与迭代优化流程。\n5. 大模型效果优化\n针对大模型在Agent运行过程中存在的幻觉、推理偏差、指令遵循不足等问题，探索定制优化方案。包括但不限于：Prompt Engineering优化、SFT微调、RLHF/Agentic RL对齐训练、推理时干预（Guardrails）等。结合行为风控业务数据，构建高质量训练与评测数据集。\n学历要求\n硕士及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业。\n经验要求\n● 有实际的Agent设计和落地经验，完整参与过Agent系统的架构设计、开发、上线与迭代。\n● 有行为风控或安全风控业务经验，理解风控业务的核心挑战与技术要求。\n技术能力\n● 熟悉Agentic RL算法（如GRPO、PPO、RLHF等），能够通过强化学习推动Agent策略优化。\n● 深入理解大模型技术栈：Transformer架构、Prompt Engineering、RAG、Function Calling、Multi-Agent协作框架。\n● 熟悉主流Agent框架（LangChain、AutoGPT、MetaGPT、CrewAI等），了解其设计思想与适用场景。\n● 扎实的机器学习/深度学习基础，熟悉PyTorch等主流框架。\n软素质\n● 具备系统思维，能从业务全局视角设计Agent方案，而非孤立优化单点。\n● 有较强的实验设计与数据分析能力，能通过数据驱动Agent迭代。\n● 良好的跨团队协作与沟通能力，能推动复杂项目落地。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}