主分类：搜索推荐与业务决策算法研发
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": "阿里健康-AI搜索算法专家（大模型与Agent方向）-杭州/北京",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里健康",
"location": "北京 / 杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "阿里健康",
"company_industry": "医药电商 / 数字医疗",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里健康提供线上线下药事服务和数字化医疗服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 2,
"degree": "教育背景：计算机、数学、人工智能等相关专业硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "职位描述（Responsibilities）\n1. 负责AI搜索核心算法方向建设，围绕LLM Search、GenSearch、RAG、Agent Search设计并落地检索、重排、生成、反馈闭环等关键能力，支撑新一代搜索体验升级。\n2. 大模型后训练（Post-training）：负责搜索场景下大语言模型（LLM）的微调与对齐，包括高质量SFT数据建设，以及利用强化学习（如PPO、DPO、GRPO等）进行人类/AI反馈对齐（RLHF/RLAIF），提升大模型在搜索问答、查询理解和医学推理总结上的能力。\n3. 搜索Agent与智能检索：设计并落地基于LLM的搜索Agent架构，实现复杂Query的任务拆解（Planning）、查询改写（Rewriting）、工具调用（Tool-use/Browsing）、自我反思（Self-Reflection）与动态决策流，落地工业级Skills。\n4. 主导建设面向AI搜索的数据飞轮与评测体系，包括垂直领域专家级训练数据构造、偏好数据生产、自动评测、人工评测、线上实验与Badcase闭环，形成可持续迭代的算法生产机制。\n5. 与工程、产品、数据团队协作，在大规模、高并发线上环境中推动算法架构演进，兼顾效果、时延、稳定性与成本，实现前沿技术向业务价值的高效转化。",
"requirements_text": "职位要求（Qualifications）\n1. 教育背景：计算机、数学、人工智能等相关专业硕士及以上学历，2年以上搜索、推荐或大模型相关算法工作经验。\n2. 算法基础：深入理解机器学习、深度学习及信息检索（IR）基本原理；熟练掌握 PyTorch 及常用大模型微调/推理框架（如 DeepSpeed, Megatron-LM, LLaMA-Factory, vLLM, Ray 等）。\n3. 大模型实战经验：熟悉主流开源LLM的架构设计，有实际的SFT、DPO/PPO等后训练实操经验，对大模型涌现能力、Prompt Engineering有深刻理解。\n4. 搜索/RAG背景：熟悉 RAG 系统全生命周期，理解向量数据库及索引原理，有在检索、重排或Query理解（改写、意图识别、实体抽取）领域的实际落地经验。\n5. 学习与跟进能力：具备极强的学术敏感度，能快速跟进并复现业界最新论文（如 Agent 架构、新的 Alignment 方法等）。",
"skills": [AI生成
"PyTorch",
"机器学习",
"深度学习",
"数据库",
"模型微调",
"架构设计",
"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://careers.alihealth.cn/off-campus/position-detail?positionId=100019200001"
}
]
},
"posting": {
"posting_id": "100019200001",
"post_date": "2026-09-15",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers.alihealth.cn/off-campus/position-detail?positionId=100019200001"
},
"fulltext": "阿里健康-AI搜索算法专家（大模型与Agent方向）-杭州/北京\n阿里健康-AI搜索算法专家（大模型与Agent方向）-杭州/北京\n\n基础信息\n工作地点：北京 / 杭州\n\n职位描述\n职位描述（Responsibilities）\n1. 负责AI搜索核心算法方向建设，围绕LLM Search、GenSearch、RAG、Agent Search设计并落地检索、重排、生成、反馈闭环等关键能力，支撑新一代搜索体验升级。\n2. 大模型后训练（Post-training）：负责搜索场景下大语言模型（LLM）的微调与对齐，包括高质量SFT数据建设，以及利用强化学习（如PPO、DPO、GRPO等）进行人类/AI反馈对齐（RLHF/RLAIF），提升大模型在搜索问答、查询理解和医学推理总结上的能力。\n3. 搜索Agent与智能检索：设计并落地基于LLM的搜索Agent架构，实现复杂Query的任务拆解（Planning）、查询改写（Rewriting）、工具调用（Tool-use/Browsing）、自我反思（Self-Reflection）与动态决策流，落地工业级Skills。\n4. 主导建设面向AI搜索的数据飞轮与评测体系，包括垂直领域专家级训练数据构造、偏好数据生产、自动评测、人工评测、线上实验与Badcase闭环，形成可持续迭代的算法生产机制。\n5. 与工程、产品、数据团队协作，在大规模、高并发线上环境中推动算法架构演进，兼顾效果、时延、稳定性与成本，实现前沿技术向业务价值的高效转化。\n\n职位要求\n职位要求（Qualifications）\n1. 教育背景：计算机、数学、人工智能等相关专业硕士及以上学历，2年以上搜索、推荐或大模型相关算法工作经验。\n2. 算法基础：深入理解机器学习、深度学习及信息检索（IR）基本原理；熟练掌握 PyTorch 及常用大模型微调/推理框架（如 DeepSpeed, Megatron-LM, LLaMA-Factory, vLLM, Ray 等）。\n3. 大模型实战经验：熟悉主流开源LLM的架构设计，有实际的SFT、DPO/PPO等后训练实操经验，对大模型涌现能力、Prompt Engineering有深刻理解。\n4. 搜索/RAG背景：熟悉 RAG 系统全生命周期，理解向量数据库及索引原理，有在检索、重排或Query理解（改写、意图识别、实体抽取）领域的实际落地经验。\n5. 学习与跟进能力：具备极强的学术敏感度，能快速跟进并复现业界最新论文（如 Agent 架构、新的 Alignment 方法等）。\n职位描述（Responsibilities）\n1. 负责AI搜索核心算法方向建设，围绕LLM Search、GenSearch、RAG、Agent Search设计并落地检索、重排、生成、反馈闭环等关键能力，支撑新一代搜索体验升级。\n2. 大模型后训练（Post-training）：负责搜索场景下大语言模型（LLM）的微调与对齐，包括高质量SFT数据建设，以及利用强化学习（如PPO、DPO、GRPO等）进行人类/AI反馈对齐（RLHF/RLAIF），提升大模型在搜索问答、查询理解和医学推理总结上的能力。\n3. 搜索Agent与智能检索：设计并落地基于LLM的搜索Agent架构，实现复杂Query的任务拆解（Planning）、查询改写（Rewriting）、工具调用（Tool-use/Browsing）、自我反思（Self-Reflection）与动态决策流，落地工业级Skills。\n4. 主导建设面向AI搜索的数据飞轮与评测体系，包括垂直领域专家级训练数据构造、偏好数据生产、自动评测、人工评测、线上实验与Badcase闭环，形成可持续迭代的算法生产机制。\n5. 与工程、产品、数据团队协作，在大规模、高并发线上环境中推动算法架构演进，兼顾效果、时延、稳定性与成本，实现前沿技术向业务价值的高效转化。\n职位要求（Qualifications）\n1. 教育背景：计算机、数学、人工智能等相关专业硕士及以上学历，2年以上搜索、推荐或大模型相关算法工作经验。\n2. 算法基础：深入理解机器学习、深度学习及信息检索（IR）基本原理；熟练掌握 PyTorch 及常用大模型微调/推理框架（如 DeepSpeed, Megatron-LM, LLaMA-Factory, vLLM, Ray 等）。\n3. 大模型实战经验：熟悉主流开源LLM的架构设计，有实际的SFT、DPO/PPO等后训练实操经验，对大模型涌现能力、Prompt Engineering有深刻理解。\n4. 搜索/RAG背景：熟悉 RAG 系统全生命周期，理解向量数据库及索引原理，有在检索、重排或Query理解（改写、意图识别、实体抽取）领域的实际落地经验。\n5. 学习与跟进能力：具备极强的学术敏感度，能快速跟进并复现业界最新论文（如 Agent 架构、新的 Alignment 方法等）。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}