主分类：AI训练数据标注与评测运营
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-RL Data工程师-Work（千问C端领域）",
"job_level": "未披露",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": "产品"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": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 千问 C 端数据体系设计与 Bad Case 挖掘：针对千问 C 端多种真实使用场景（日常问答、对话/多轮、办公类任务、开放性问题、安全对齐等）做结构化拆解（意图分类、场景分级、任务原子化），设计可复用的任务模板与数据构造方式；从线上真实对话与模型 rollout 中系统性发现 bad case（回答错误、意图误判、答非所问、拒答过度、多轮体验断裂、安全对齐问题等），做根因分类并输出结构化改进清单，驱动数据补充与评测修正。\n2. 用户意图识别与问答/开放性问题分析：对 C 端多样化、口语化、含糊或多意图的真实 query 做意图拆解与分类，还原用户真实诉求，沉淀可复用的意图体系；覆盖高频日常问答（生活/办公/学习/常识/信息查询）分析回答的准确性、有用性与完整性；针对无标准答案的开放性问题（观点表达、创作、多轮探讨、复杂推理）设计可评价的质量维度，把主观判断拆成可校验、可自动化的子问题。\n3. 大模型行为轨迹生产与激励标注、Rubric 共建：驱动大模型在真实 C 端场景中产出推理与操作轨迹，设计多阶段过程激励（Process Reward）与结果激励（Outcome Reward）标注方案；与 Rubric 团队一起把主观体验类判断（回答质量、有用性、安全性、意图满足度）拆成可自动化验证的评分规则，识别本方向 rubric 的领先能力点，将数据转化为可用于 SFT / DPO / RLHF 的高质量训练样本。\n4. 外部专家与标注生态管理：负责外部专家 / BPO 众包的需求定义、标注规范撰写、任务分发、试标校准、答疑、抽检验收与分歧仲裁，通过流程、模板与工具优化持续提升人效与标注质量、降低单位成本，构建\"内部研发 + 外部众包\"的双轮驱动数据管线。\n5. 与模型团队协同推进：作为数据侧对接人，与产品、算法、评测团队深度协作，读得懂千问 C 相关 benchmark 与线上指标，参与能力评测集设计、数据配比与训练策略制定，定位模型能力短板并反推所需数据，推动\"数据 → 模型 → 评测\"闭环。",
"requirements_text": "1. 对千问 C 端产品或类似 C 端 AI 助手场景有系统性理解，能对模型输出做准确的对错与体验裁定；日常能使用大模型辅助分析问题，把 LLM 稳定嵌入到意图识别、bad case 归因、问答质量评估等真实场景中，了解 Agent 开发与 Harness 工程者优先。\n2. 具备强 bad case sense 与用户意图识别能力：能从海量真实对话中识别模型易错点、意图误判与低质量回答并做准确归因，熟悉 C 端用户表达习惯，能对模糊 / 多意图 query 做结构化拆解与分类。\n3. 具备开放性问题评价与 Rubric / 标注设计能力：能对无标准答案的问题设计质量维度，把主观判断拆成可校验子问题；能独立完成从场景拆解 → 任务类型定义 → instance 模板设计的 Taxonomy 链路；有标注（含 BPO / 外包）流程设计、规范制定、质检校准与人效优化经验者优先。\n4. 具备扎实的工程与数据开发能力：熟练 Python，能独立完成数据抓取、清洗、批量调用 LLM、结果聚合等脚本化工作，读得懂 Agent 执行日志；能通过工程设计（数据链路、任务编排、Agent 工作流、反馈闭环）系统性放大领域专家的经验，有数据构造（instance 构造、数据合成 / 增广、标注体系搭建、种子样本设计）经验者优先。\n5. 具备团队管理与跨团队协作能力，能带 5~10 人规模的数据交付，把用户反馈、线上 bad case 与内部标注拧成一条产线；有模型训练（SFT/RFT/RL、reward 设计、训练效果反查）或 Agent 搭建经验、有安全对齐 / 多轮体验类数据设计经验者优先。",
"skills": [AI生成
"Python",
"模型训练",
"团队管理",
"团队协作",
"大语言模型"
],
"preferred_qualifications": "日常能使用大模型辅助分析问题，把 LLM 稳定嵌入到意图识别、bad case 归因、问答质量评估等真实场景中，了解 Agent 开发与 Harness 工程者优先；有标注（含 BPO / 外包）流程设计、规范制定、质检校准与人效优化经验者优先；能通过工程设计（数据链路、任务编排、Agent 工作流、反馈闭环）系统性放大领域专家的经验，有数据构造（instance 构造、数据合成 / 增广、标注体系搭建、种子样本设计）经验者优先；有模型训练（SFT/RFT/RL、reward 设计、训练效果反查）或 Agent 搭建经验、有安全对齐 / 多轮体验类数据设计经验者优先",
"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=100025040004"
}
]
},
"posting": {
"posting_id": "100025040004",
"post_date": "2026-09-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100025040004"
},
"fulltext": "数据技术及产品部-RL Data工程师-Work（千问C端领域）\n数据技术及产品部-RL Data工程师-Work（千问C端领域）\n\n基础信息\n工作地点：北京 / 杭州\n\n职位描述\n1. 千问 C 端数据体系设计与 Bad Case 挖掘：针对千问 C 端多种真实使用场景（日常问答、对话/多轮、办公类任务、开放性问题、安全对齐等）做结构化拆解（意图分类、场景分级、任务原子化），设计可复用的任务模板与数据构造方式；从线上真实对话与模型 rollout 中系统性发现 bad case（回答错误、意图误判、答非所问、拒答过度、多轮体验断裂、安全对齐问题等），做根因分类并输出结构化改进清单，驱动数据补充与评测修正。\n2. 用户意图识别与问答/开放性问题分析：对 C 端多样化、口语化、含糊或多意图的真实 query 做意图拆解与分类，还原用户真实诉求，沉淀可复用的意图体系；覆盖高频日常问答（生活/办公/学习/常识/信息查询）分析回答的准确性、有用性与完整性；针对无标准答案的开放性问题（观点表达、创作、多轮探讨、复杂推理）设计可评价的质量维度，把主观判断拆成可校验、可自动化的子问题。\n3. 大模型行为轨迹生产与激励标注、Rubric 共建：驱动大模型在真实 C 端场景中产出推理与操作轨迹，设计多阶段过程激励（Process Reward）与结果激励（Outcome Reward）标注方案；与 Rubric 团队一起把主观体验类判断（回答质量、有用性、安全性、意图满足度）拆成可自动化验证的评分规则，识别本方向 rubric 的领先能力点，将数据转化为可用于 SFT / DPO / RLHF 的高质量训练样本。\n4. 外部专家与标注生态管理：负责外部专家 / BPO 众包的需求定义、标注规范撰写、任务分发、试标校准、答疑、抽检验收与分歧仲裁，通过流程、模板与工具优化持续提升人效与标注质量、降低单位成本，构建\"内部研发 + 外部众包\"的双轮驱动数据管线。\n5. 与模型团队协同推进：作为数据侧对接人，与产品、算法、评测团队深度协作，读得懂千问 C 相关 benchmark 与线上指标，参与能力评测集设计、数据配比与训练策略制定，定位模型能力短板并反推所需数据，推动\"数据 → 模型 → 评测\"闭环。\n\n职位要求\n1. 对千问 C 端产品或类似 C 端 AI 助手场景有系统性理解，能对模型输出做准确的对错与体验裁定；日常能使用大模型辅助分析问题，把 LLM 稳定嵌入到意图识别、bad case 归因、问答质量评估等真实场景中，了解 Agent 开发与 Harness 工程者优先。\n2. 具备强 bad case sense 与用户意图识别能力：能从海量真实对话中识别模型易错点、意图误判与低质量回答并做准确归因，熟悉 C 端用户表达习惯，能对模糊 / 多意图 query 做结构化拆解与分类。\n3. 具备开放性问题评价与 Rubric / 标注设计能力：能对无标准答案的问题设计质量维度，把主观判断拆成可校验子问题；能独立完成从场景拆解 → 任务类型定义 → instance 模板设计的 Taxonomy 链路；有标注（含 BPO / 外包）流程设计、规范制定、质检校准与人效优化经验者优先。\n4. 具备扎实的工程与数据开发能力：熟练 Python，能独立完成数据抓取、清洗、批量调用 LLM、结果聚合等脚本化工作，读得懂 Agent 执行日志；能通过工程设计（数据链路、任务编排、Agent 工作流、反馈闭环）系统性放大领域专家的经验，有数据构造（instance 构造、数据合成 / 增广、标注体系搭建、种子样本设计）经验者优先。\n5. 具备团队管理与跨团队协作能力，能带 5~10 人规模的数据交付，把用户反馈、线上 bad case 与内部标注拧成一条产线；有模型训练（SFT/RFT/RL、reward 设计、训练效果反查）或 Agent 搭建经验、有安全对齐 / 多轮体验类数据设计经验者优先。\n1. 千问 C 端数据体系设计与 Bad Case 挖掘：针对千问 C 端多种真实使用场景（日常问答、对话/多轮、办公类任务、开放性问题、安全对齐等）做结构化拆解（意图分类、场景分级、任务原子化），设计可复用的任务模板与数据构造方式；从线上真实对话与模型 rollout 中系统性发现 bad case（回答错误、意图误判、答非所问、拒答过度、多轮体验断裂、安全对齐问题等），做根因分类并输出结构化改进清单，驱动数据补充与评测修正。\n2. 用户意图识别与问答/开放性问题分析：对 C 端多样化、口语化、含糊或多意图的真实 query 做意图拆解与分类，还原用户真实诉求，沉淀可复用的意图体系；覆盖高频日常问答（生活/办公/学习/常识/信息查询）分析回答的准确性、有用性与完整性；针对无标准答案的开放性问题（观点表达、创作、多轮探讨、复杂推理）设计可评价的质量维度，把主观判断拆成可校验、可自动化的子问题。\n3. 大模型行为轨迹生产与激励标注、Rubric 共建：驱动大模型在真实 C 端场景中产出推理与操作轨迹，设计多阶段过程激励（Process Reward）与结果激励（Outcome Reward）标注方案；与 Rubric 团队一起把主观体验类判断（回答质量、有用性、安全性、意图满足度）拆成可自动化验证的评分规则，识别本方向 rubric 的领先能力点，将数据转化为可用于 SFT / DPO / RLHF 的高质量训练样本。\n4. 外部专家与标注生态管理：负责外部专家 / BPO 众包的需求定义、标注规范撰写、任务分发、试标校准、答疑、抽检验收与分歧仲裁，通过流程、模板与工具优化持续提升人效与标注质量、降低单位成本，构建\"内部研发 + 外部众包\"的双轮驱动数据管线。\n5. 与模型团队协同推进：作为数据侧对接人，与产品、算法、评测团队深度协作，读得懂千问 C 相关 benchmark 与线上指标，参与能力评测集设计、数据配比与训练策略制定，定位模型能力短板并反推所需数据，推动\"数据 → 模型 → 评测\"闭环。\n1. 对千问 C 端产品或类似 C 端 AI 助手场景有系统性理解，能对模型输出做准确的对错与体验裁定；日常能使用大模型辅助分析问题，把 LLM 稳定嵌入到意图识别、bad case 归因、问答质量评估等真实场景中，了解 Agent 开发与 Harness 工程者优先。\n2. 具备强 bad case sense 与用户意图识别能力：能从海量真实对话中识别模型易错点、意图误判与低质量回答并做准确归因，熟悉 C 端用户表达习惯，能对模糊 / 多意图 query 做结构化拆解与分类。\n3. 具备开放性问题评价与 Rubric / 标注设计能力：能对无标准答案的问题设计质量维度，把主观判断拆成可校验子问题；能独立完成从场景拆解 → 任务类型定义 → instance 模板设计的 Taxonomy 链路；有标注（含 BPO / 外包）流程设计、规范制定、质检校准与人效优化经验者优先。\n4. 具备扎实的工程与数据开发能力：熟练 Python，能独立完成数据抓取、清洗、批量调用 LLM、结果聚合等脚本化工作，读得懂 Agent 执行日志；能通过工程设计（数据链路、任务编排、Agent 工作流、反馈闭环）系统性放大领域专家的经验，有数据构造（instance 构造、数据合成 / 增广、标注体系搭建、种子样本设计）经验者优先。\n5. 具备团队管理与跨团队协作能力，能带 5~10 人规模的数据交付，把用户反馈、线上 bad case 与内部标注拧成一条产线；有模型训练（SFT/RFT/RL、reward 设计、训练效果反查）或 Agent 搭建经验、有安全对齐 / 多轮体验类数据设计经验者优先。",
"standard_classification": {
"std_category_code": "B010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}