{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "业务技术-Agent开发工程师-会员技术",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "淘天集团",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "软件研发"AI生成
    },
    "company": {
        "company_name": "淘天集团",
        "company_industry": "电子商务",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "淘天集团的招聘业务覆盖淘宝、天猫等电商平台。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "1 本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "我们是淘宝会员技术-平台&省钱卡技术团队，长期深耕淘天账号和用户信息管理中台，并同时负责淘天集团省钱卡、大会员等业务。团队目前正致力于通过AI Agent技术解决业务和技术的痛点和难点问题，包括但不限于：\n1. 省钱卡业务 Agent：目标驱动的自主业务分析 Agent，能够发现和洞察业务问题、探索优化策略、自主进行线上试验并形成持续迭代的循环，提升业务增长。\n2. 省钱卡端到端 AI 研发 Agent：面向省钱卡业务代码的 Agentic Coding 系统，覆盖“需求理解 → 规划 → 编码 → 测试 → 提交”全链路，让 AI 成为真正的研发参与者。\n3. 平台级 CR Agent：面向代码评审 / 变更风险的 Agent，通过知识工程（变量生命周期树、中间件知识、定向 Skill）+ Multi-Agent 编排 + 定制 MCP 工具，提升代码评审中BUG的发现率。\n你加入后，将根据兴趣和团队需要，参与到以下一个或多个 Agent 系统的建设中。\n1 业务/分析型 Agent 建设，负责省钱卡探索 Agent的架构设计与工程实现，实现 ReAct / Plan-and-Execute / Multi-Agent 协作、Tool/Function Calling、记忆系统（短期/长期）、RAG 检索增强等Agent 核心模块，打通数据链路，构建业务洞察和分析SKILL，并建设 Agent 可观测性、评测与实验基建，实现“自主假设生成 → 数据验证 → 问题树演化 → 可执行洞察输出”的完整分析飞轮。\n2 端到端 AI 研发 Agent 建设，设计并落地面向省钱卡业务的 Agentic Coding Harness工程体系（工具调用、验证闭环（测试/构建/类型检查）、沙箱安全、Human-in-the-loop等），实践Spec-Driven 流程，构建AI Friendly的业务&技术知识库建设等。\n3 CR Agent 设计与实现，包括构建面向代码评审的知识工程（变量生命周期树、中间件知识等），开发领域SKILL和MCP 工具（AST/Tree-sitter/xmlParse/jq 等），实践SFT与Agentic RL等后训练，并建立 CR Agent 的评测体系，持续优化Agent效果与成本。\n4 前沿跟踪与研究，持续跟踪和研究 Agent 架构、Loop Engineering、Agent自进化、Agentic RL（GRPO/DPO/PPO）、后训练数据构建、后训练技术、RAG 优化等方向，并转化为工程实践。",
        "requirements_text": "1 本科及以上学历，计算机基础扎实，精通 Java 或 Python 至少一门语言；\n2 熟练掌握 CoT、ReAct、Plan-and-Execute、Multi-Agent等Agent模式，掌握MCP、SKILL、RAG、Prompt Engineering、Context Engineering、Harness Engineering 等Agent 核心技术，熟悉 LangChain / LangGraph / LlamaIndex / vLLM / AutoGen 等 一门或者多门Agent 工程框架，并有实际项目落地经验。\n3 有 Agentic Coding / Vibe Coding 实践经验，熟悉 Claude Code / Cursor / Codex / OpenDev 等工具链，理解Spec-Driven、Writer/Reviewer 等模式。\n4 具备 Agent 系统稳定性设计能力：超时/重试/降级/熔断、错误反馈与幻觉控制、危险操作 Human-in-the-loop、沙箱隔离、审计日志。\n5 学习热情，对 Agent、大模型、AI 工程有强烈兴趣，能快速跟进前沿论文与开源生态。\n加分项：\n1 深入理解 Transformer、Attention、LLM 训练流程（Pre-training / SFT / Alignment）\n2 对电商、用户增长、会员/权益、优惠券策略等业务有敏感度，能把业务目标拆解为技术方案。",
        "skills": [AI生成
            "Python",
            "Java",
            "React",
            "审计",
            "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.taotian.com/off-campus/position-detail?positionId=100024700005"
            }
        ]
    },
    "posting": {
        "posting_id": "100024700005",
        "post_date": "2026-07-31",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100024700005"
    },
    "fulltext": "业务技术-Agent开发工程师-会员技术\n业务技术-Agent开发工程师-会员技术\n\n基础信息\n工作地点：杭州\n\n职位描述\n我们是淘宝会员技术-平台&省钱卡技术团队，长期深耕淘天账号和用户信息管理中台，并同时负责淘天集团省钱卡、大会员等业务。团队目前正致力于通过AI Agent技术解决业务和技术的痛点和难点问题，包括但不限于：\n1. 省钱卡业务 Agent：目标驱动的自主业务分析 Agent，能够发现和洞察业务问题、探索优化策略、自主进行线上试验并形成持续迭代的循环，提升业务增长。\n2. 省钱卡端到端 AI 研发 Agent：面向省钱卡业务代码的 Agentic Coding 系统，覆盖“需求理解 → 规划 → 编码 → 测试 → 提交”全链路，让 AI 成为真正的研发参与者。\n3. 平台级 CR Agent：面向代码评审 / 变更风险的 Agent，通过知识工程（变量生命周期树、中间件知识、定向 Skill）+ Multi-Agent 编排 + 定制 MCP 工具，提升代码评审中BUG的发现率。\n你加入后，将根据兴趣和团队需要，参与到以下一个或多个 Agent 系统的建设中。\n1 业务/分析型 Agent 建设，负责省钱卡探索 Agent的架构设计与工程实现，实现 ReAct / Plan-and-Execute / Multi-Agent 协作、Tool/Function Calling、记忆系统（短期/长期）、RAG 检索增强等Agent 核心模块，打通数据链路，构建业务洞察和分析SKILL，并建设 Agent 可观测性、评测与实验基建，实现“自主假设生成 → 数据验证 → 问题树演化 → 可执行洞察输出”的完整分析飞轮。\n2 端到端 AI 研发 Agent 建设，设计并落地面向省钱卡业务的 Agentic Coding Harness工程体系（工具调用、验证闭环（测试/构建/类型检查）、沙箱安全、Human-in-the-loop等），实践Spec-Driven 流程，构建AI Friendly的业务&技术知识库建设等。\n3 CR Agent 设计与实现，包括构建面向代码评审的知识工程（变量生命周期树、中间件知识等），开发领域SKILL和MCP 工具（AST/Tree-sitter/xmlParse/jq 等），实践SFT与Agentic RL等后训练，并建立 CR Agent 的评测体系，持续优化Agent效果与成本。\n4 前沿跟踪与研究，持续跟踪和研究 Agent 架构、Loop Engineering、Agent自进化、Agentic RL（GRPO/DPO/PPO）、后训练数据构建、后训练技术、RAG 优化等方向，并转化为工程实践。\n\n职位要求\n1 本科及以上学历，计算机基础扎实，精通 Java 或 Python 至少一门语言；\n2 熟练掌握 CoT、ReAct、Plan-and-Execute、Multi-Agent等Agent模式，掌握MCP、SKILL、RAG、Prompt Engineering、Context Engineering、Harness Engineering 等Agent 核心技术，熟悉 LangChain / LangGraph / LlamaIndex / vLLM / AutoGen 等 一门或者多门Agent 工程框架，并有实际项目落地经验。\n3 有 Agentic Coding / Vibe Coding 实践经验，熟悉 Claude Code / Cursor / Codex / OpenDev 等工具链，理解Spec-Driven、Writer/Reviewer 等模式。\n4 具备 Agent 系统稳定性设计能力：超时/重试/降级/熔断、错误反馈与幻觉控制、危险操作 Human-in-the-loop、沙箱隔离、审计日志。\n5 学习热情，对 Agent、大模型、AI 工程有强烈兴趣，能快速跟进前沿论文与开源生态。\n加分项：\n1 深入理解 Transformer、Attention、LLM 训练流程（Pre-training / SFT / Alignment）\n2 对电商、用户增长、会员/权益、优惠券策略等业务有敏感度，能把业务目标拆解为技术方案。\n我们是淘宝会员技术-平台&省钱卡技术团队，长期深耕淘天账号和用户信息管理中台，并同时负责淘天集团省钱卡、大会员等业务。团队目前正致力于通过AI Agent技术解决业务和技术的痛点和难点问题，包括但不限于：\n1. 省钱卡业务 Agent：目标驱动的自主业务分析 Agent，能够发现和洞察业务问题、探索优化策略、自主进行线上试验并形成持续迭代的循环，提升业务增长。\n2. 省钱卡端到端 AI 研发 Agent：面向省钱卡业务代码的 Agentic Coding 系统，覆盖“需求理解 → 规划 → 编码 → 测试 → 提交”全链路，让 AI 成为真正的研发参与者。\n3. 平台级 CR Agent：面向代码评审 / 变更风险的 Agent，通过知识工程（变量生命周期树、中间件知识、定向 Skill）+ Multi-Agent 编排 + 定制 MCP 工具，提升代码评审中BUG的发现率。\n你加入后，将根据兴趣和团队需要，参与到以下一个或多个 Agent 系统的建设中。\n1 业务/分析型 Agent 建设，负责省钱卡探索 Agent的架构设计与工程实现，实现 ReAct / Plan-and-Execute / Multi-Agent 协作、Tool/Function Calling、记忆系统（短期/长期）、RAG 检索增强等Agent 核心模块，打通数据链路，构建业务洞察和分析SKILL，并建设 Agent 可观测性、评测与实验基建，实现“自主假设生成 → 数据验证 → 问题树演化 → 可执行洞察输出”的完整分析飞轮。\n2 端到端 AI 研发 Agent 建设，设计并落地面向省钱卡业务的 Agentic Coding Harness工程体系（工具调用、验证闭环（测试/构建/类型检查）、沙箱安全、Human-in-the-loop等），实践Spec-Driven 流程，构建AI Friendly的业务&技术知识库建设等。\n3 CR Agent 设计与实现，包括构建面向代码评审的知识工程（变量生命周期树、中间件知识等），开发领域SKILL和MCP 工具（AST/Tree-sitter/xmlParse/jq 等），实践SFT与Agentic RL等后训练，并建立 CR Agent 的评测体系，持续优化Agent效果与成本。\n4 前沿跟踪与研究，持续跟踪和研究 Agent 架构、Loop Engineering、Agent自进化、Agentic RL（GRPO/DPO/PPO）、后训练数据构建、后训练技术、RAG 优化等方向，并转化为工程实践。\n1 本科及以上学历，计算机基础扎实，精通 Java 或 Python 至少一门语言；\n2 熟练掌握 CoT、ReAct、Plan-and-Execute、Multi-Agent等Agent模式，掌握MCP、SKILL、RAG、Prompt Engineering、Context Engineering、Harness Engineering 等Agent 核心技术，熟悉 LangChain / LangGraph / LlamaIndex / vLLM / AutoGen 等 一门或者多门Agent 工程框架，并有实际项目落地经验。\n3 有 Agentic Coding / Vibe Coding 实践经验，熟悉 Claude Code / Cursor / Codex / OpenDev 等工具链，理解Spec-Driven、Writer/Reviewer 等模式。\n4 具备 Agent 系统稳定性设计能力：超时/重试/降级/熔断、错误反馈与幻觉控制、危险操作 Human-in-the-loop、沙箱隔离、审计日志。\n5 学习热情，对 Agent、大模型、AI 工程有强烈兴趣，能快速跟进前沿论文与开源生态。\n加分项：\n1 深入理解 Transformer、Attention、LLM 训练流程（Pre-training / SFT / Alignment）\n2 对电商、用户增长、会员/权益、优惠券策略等业务有敏感度，能把业务目标拆解为技术方案。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}