主分类：数据工程与数据平台研发
辅助：Agent系统开发（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-数据研发工程师-数据资产 / LLM Agent 方向",
"job_level": "未披露",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-数据"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": "1. 数据资产体系建设：负责域外数据、位置数据、企业数据三大场景的智能化升级，设计并实现从数据采集、治理到服务化的完整链路，推动团队从传统\"数据供应\"模式向\"智能能力输出\"转型，直接支撑经营控比、采购数据验收、AI-Native 产品等核心业务场景。\n2. AI-Native 架构从 0 到 1 建设：参与大模型与数据研发融合的架构设计，负责 LLM Agent 任务编排、多轮上下文管理、Human-in-the-Loop 决策机制的实现与优化，建立 Prompt 工程规范、Agent Eval 体系及 badcase 自动化排查与自愈闭环，确保技术成果在电商/AI 核心业务中快速落地。\n3. 多模态数据与知识体系建设：负责文本/音频/图像/视频等多模态数据的检测、异常识别与相似度计算，设计数据质检与验收标准；同时主导知识抽取与本体建模工作，包括命名实体识别、关系抽取、实体对齐等技术落地，构建 Schema 设计与图数据库应用，打造语义资产体系。",
"requirements_text": "1. 学历与专业：\n○ 硕士及以上学历，计算机、人工智能、软件工程、数据科学、统计学等相关专业。\n2. 核心技能：\n○ 熟练掌握 Python、SQL，熟悉至少一种深度学习框架\n○ 熟悉数据建模、ETL 流水线开发，有大规模数据处理与数据治理经验\n○ 熟悉 ODPS/Hive 等大数据计算工具，有实时链路建设经验\n○ 了解 LLM Agent 设计、Prompt 工程、RAG、MCP、Function Calling 等大模型应用范式\n3. 工程与软性素质：\n○ 能独立完成从数据建模、算法开发到线上服务的全流程\n○ 具备平台化思维，能将数据与算法能力抽象为标准化组件\n○ 良好的业务抽象与问题拆解能力，较强自驱力、责任心和沟通协作能力\n4. 加分项：\n○ 电商/内容/战略分析领域业务经验；数据采购验收或大模型训练数据质检经验；顶会论文或生产级 Agent 系统/数据服务平台上线经验。",
"skills": [AI生成
"Python",
"SQL",
"深度学习",
"数据治理",
"模型训练",
"采购",
"建模",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "4. 加分项：",
"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=100018760001"
}
]
},
"posting": {
"posting_id": "100018760001",
"post_date": "2026-09-09",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100018760001"
},
"fulltext": "数据技术及产品部-数据研发工程师-数据资产 / LLM Agent 方向\n数据技术及产品部-数据研发工程师-数据资产 / LLM Agent 方向\n\n基础信息\n职位类别：技术类-数据\n工作地点：杭州\n\n职位描述\n1. 数据资产体系建设：负责域外数据、位置数据、企业数据三大场景的智能化升级，设计并实现从数据采集、治理到服务化的完整链路，推动团队从传统\"数据供应\"模式向\"智能能力输出\"转型，直接支撑经营控比、采购数据验收、AI-Native 产品等核心业务场景。\n2. AI-Native 架构从 0 到 1 建设：参与大模型与数据研发融合的架构设计，负责 LLM Agent 任务编排、多轮上下文管理、Human-in-the-Loop 决策机制的实现与优化，建立 Prompt 工程规范、Agent Eval 体系及 badcase 自动化排查与自愈闭环，确保技术成果在电商/AI 核心业务中快速落地。\n3. 多模态数据与知识体系建设：负责文本/音频/图像/视频等多模态数据的检测、异常识别与相似度计算，设计数据质检与验收标准；同时主导知识抽取与本体建模工作，包括命名实体识别、关系抽取、实体对齐等技术落地，构建 Schema 设计与图数据库应用，打造语义资产体系。\n\n职位要求\n1. 学历与专业：\n○ 硕士及以上学历，计算机、人工智能、软件工程、数据科学、统计学等相关专业。\n2. 核心技能：\n○ 熟练掌握 Python、SQL，熟悉至少一种深度学习框架\n○ 熟悉数据建模、ETL 流水线开发，有大规模数据处理与数据治理经验\n○ 熟悉 ODPS/Hive 等大数据计算工具，有实时链路建设经验\n○ 了解 LLM Agent 设计、Prompt 工程、RAG、MCP、Function Calling 等大模型应用范式\n3. 工程与软性素质：\n○ 能独立完成从数据建模、算法开发到线上服务的全流程\n○ 具备平台化思维，能将数据与算法能力抽象为标准化组件\n○ 良好的业务抽象与问题拆解能力，较强自驱力、责任心和沟通协作能力\n4. 加分项：\n○ 电商/内容/战略分析领域业务经验；数据采购验收或大模型训练数据质检经验；顶会论文或生产级 Agent 系统/数据服务平台上线经验。\n1. 数据资产体系建设：负责域外数据、位置数据、企业数据三大场景的智能化升级，设计并实现从数据采集、治理到服务化的完整链路，推动团队从传统\"数据供应\"模式向\"智能能力输出\"转型，直接支撑经营控比、采购数据验收、AI-Native 产品等核心业务场景。\n2. AI-Native 架构从 0 到 1 建设：参与大模型与数据研发融合的架构设计，负责 LLM Agent 任务编排、多轮上下文管理、Human-in-the-Loop 决策机制的实现与优化，建立 Prompt 工程规范、Agent Eval 体系及 badcase 自动化排查与自愈闭环，确保技术成果在电商/AI 核心业务中快速落地。\n3. 多模态数据与知识体系建设：负责文本/音频/图像/视频等多模态数据的检测、异常识别与相似度计算，设计数据质检与验收标准；同时主导知识抽取与本体建模工作，包括命名实体识别、关系抽取、实体对齐等技术落地，构建 Schema 设计与图数据库应用，打造语义资产体系。\n1. 学历与专业：\n○ 硕士及以上学历，计算机、人工智能、软件工程、数据科学、统计学等相关专业。\n2. 核心技能：\n○ 熟练掌握 Python、SQL，熟悉至少一种深度学习框架\n○ 熟悉数据建模、ETL 流水线开发，有大规模数据处理与数据治理经验\n○ 熟悉 ODPS/Hive 等大数据计算工具，有实时链路建设经验\n○ 了解 LLM Agent 设计、Prompt 工程、RAG、MCP、Function Calling 等大模型应用范式\n3. 工程与软性素质：\n○ 能独立完成从数据建模、算法开发到线上服务的全流程\n○ 具备平台化思维，能将数据与算法能力抽象为标准化组件\n○ 良好的业务抽象与问题拆解能力，较强自驱力、责任心和沟通协作能力\n4. 加分项：\n○ 电商/内容/战略分析领域业务经验；数据采购验收或大模型训练数据质检经验；顶会论文或生产级 Agent 系统/数据服务平台上线经验。",
"standard_classification": {
"std_category_code": "T016",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}