{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "业务技术-AI Agent 优化工程师-智能内控方向",
        "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": "未披露"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": 3,
        "degree": "硕士研究生及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "岗位面向淘天集团智能内控体系建设，聚焦资金风险防控、流程合规审计、异常交易识别等核心业务场景，负责大模型及AI算法在复杂企业内控环境下的深度调优与效果落地，构建高精度、可解释、可信赖的智能内控AI引擎。\n1. 面向资金流水、审批日志、合同文本、操作行为序列等多模态内控数据，设计并实施SFT（Supervised Fine-Tuning）、DPO/RLHF等后训练对齐方案，提升模型在内控垂域任务中的指令遵循能力与事实准确性；\n2. 构建覆盖内控场景的自动化评测体系，包括但不限于：Benchmark构建、Golden Set标注、RAGAS/TruLens评估、幻觉检测（Hallucination Detection）、置信度校准（Confidence Calibration）及A/B Test框架，量化模型迭代收益；\n3. 针对合规推理、风险归因、异常溯源等长链路决策任务，优化Prompt Engineering、CoT（Chain-of-Thought）、ReAct Agent架构及检索增强生成（RAG）策略，提升复杂业务问题的端到端解决率；\n4. 深入分析Bad Case与Corner Case，通过LoRA/QLoRA微调、知识蒸馏（Knowledge Distillation）、数据合成（Synthetic Data Generation）等手段持续优化模型表现，平衡效果、延迟与推理成本；\n5. 与内控业务专家、策略运营及工程团队紧密协作，将模糊的合规诉求转化为可量化的算法优化目标，推动AI能力在内控全流程的规模化落地。",
        "requirements_text": "1. 硕士研究生及以上学历，计算机、人工智能、统计学、数学、金融工程等相关专业优先；\n2. 3年以上大模型/NLP算法研发或调优经验，精通Transformer架构原理，熟练掌握SFT、RLHF、DPO、Agentic RL等对齐训练范式；\n3. 具备扎实的Agent评测能力，熟悉主流评测框架（如lm-evaluation-harness、OpenCompass、RAGAS）和常用评测benchmark，掌握BLEU/ROUGE/BERTScore/F1/AUC等指标适用边界，能独立设计面向业务的Task-Specific Evaluation Protocol；\n4. 精通Python编程，熟练使用PyTorch/TensorFlow、DeepSpeed/Megatron-LM、vLLM/TGI等训练与推理框架（任意一个即可）；\n5. 对数据质量敏感，掌握数据清洗、去重、配比采样、Curriculum Learning等数据工程方法论，理解数据分布偏移（Distribution Shift）对模型效果的影响；\n6. 具备大数据处理能力，熟悉Spark/Flink/Hive等分布式计算框架，能够独立完成TB级日志、行为序列、交易流水等内控数据的ETL开发、特征工程与批量加工，了解数据湖仓架构（如Delta Lake/Iceberg/Hudi）及OLAP引擎（如ClickHouse/Doris/StarRocks）者优先；\n7. 具备优秀的跨团队沟通能力和业务抽象能力，能将内控合规规则转化为可训练的标签体系或Reward Function\n加分项：\n1. 有企业内控、风控、审计、反舞弊或金融合规领域实际项目经验，熟悉SOX/COSO框架或电商交易风控逻辑者优先；\n2. 有大型Agent项目完整评测体系落地经验者优先；\n3. 在NeurIPS/ICML/ACL/EMNLP/KDD等顶会发表过Alignment、Evaluation、Agent或FinTech相关论文者优先；\n4. 主导过开源大模型微调项目或在HuggingFace/OpenCompass等平台贡献过高质量数据集/评测集者优先；\n5. 具备Graph Neural Network（GNN）、时序异常检测、因果推断（Causal Inference）等传统算法与大模型融合应用经验者优先；\n6. 了解模型安全与可信AI（Red Teaming、Safety Alignment、Explainability）相关技术，能在合规场景中保障模型输出可控、可追溯。",
        "skills": [AI生成
            "Python",
            "ClickHouse",
            "Spark",
            "Flink",
            "PyTorch",
            "TensorFlow",
            "数据清洗",
            "模型微调",
            "审计",
            "内部控制",
            "沟通能力",
            "大语言模型"
        ],
        "preferred_qualifications": "1. 硕士研究生及以上学历，计算机、人工智能、统计学、数学、金融工程等相关专业优先；6. 具备大数据处理能力，熟悉Spark/Flink/Hive等分布式计算框架，能够独立完成TB级日志、行为序列、交易流水等内控数据的ETL开发、特征工程与批量加工，了解数据湖仓架构（如Delta Lake/Iceberg/Hudi）及OLAP引擎（如ClickHouse/Doris/StarRocks）者优先；加分项：；1. 有企业内控、风控、审计、反舞弊或金融合规领域实际项目经验，熟悉SOX/COSO框架或电商交易风控逻辑者优先；2. 有大型Agent项目完整评测体系落地经验者优先；3. 在NeurIPS/ICML/ACL/EMNLP/KDD等顶会发表过Alignment、Evaluation、Agent或FinTech相关论文者优先；4. 主导过开源大模型微调项目或在HuggingFace/OpenCompass等平台贡献过高质量数据集/评测集者优先；5. 具备Graph Neural Network（GNN）、时序异常检测、因果推断（Causal Inference）等传统算法与大模型融合应用经验者优先",
        "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=100026280006"
            }
        ]
    },
    "posting": {
        "posting_id": "100026280006",
        "post_date": "2026-09-16",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100026280006"
    },
    "fulltext": "业务技术-AI Agent 优化工程师-智能内控方向\n业务技术-AI Agent 优化工程师-智能内控方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n岗位面向淘天集团智能内控体系建设，聚焦资金风险防控、流程合规审计、异常交易识别等核心业务场景，负责大模型及AI算法在复杂企业内控环境下的深度调优与效果落地，构建高精度、可解释、可信赖的智能内控AI引擎。\n1. 面向资金流水、审批日志、合同文本、操作行为序列等多模态内控数据，设计并实施SFT（Supervised Fine-Tuning）、DPO/RLHF等后训练对齐方案，提升模型在内控垂域任务中的指令遵循能力与事实准确性；\n2. 构建覆盖内控场景的自动化评测体系，包括但不限于：Benchmark构建、Golden Set标注、RAGAS/TruLens评估、幻觉检测（Hallucination Detection）、置信度校准（Confidence Calibration）及A/B Test框架，量化模型迭代收益；\n3. 针对合规推理、风险归因、异常溯源等长链路决策任务，优化Prompt Engineering、CoT（Chain-of-Thought）、ReAct Agent架构及检索增强生成（RAG）策略，提升复杂业务问题的端到端解决率；\n4. 深入分析Bad Case与Corner Case，通过LoRA/QLoRA微调、知识蒸馏（Knowledge Distillation）、数据合成（Synthetic Data Generation）等手段持续优化模型表现，平衡效果、延迟与推理成本；\n5. 与内控业务专家、策略运营及工程团队紧密协作，将模糊的合规诉求转化为可量化的算法优化目标，推动AI能力在内控全流程的规模化落地。\n\n职位要求\n1. 硕士研究生及以上学历，计算机、人工智能、统计学、数学、金融工程等相关专业优先；\n2. 3年以上大模型/NLP算法研发或调优经验，精通Transformer架构原理，熟练掌握SFT、RLHF、DPO、Agentic RL等对齐训练范式；\n3. 具备扎实的Agent评测能力，熟悉主流评测框架（如lm-evaluation-harness、OpenCompass、RAGAS）和常用评测benchmark，掌握BLEU/ROUGE/BERTScore/F1/AUC等指标适用边界，能独立设计面向业务的Task-Specific Evaluation Protocol；\n4. 精通Python编程，熟练使用PyTorch/TensorFlow、DeepSpeed/Megatron-LM、vLLM/TGI等训练与推理框架（任意一个即可）；\n5. 对数据质量敏感，掌握数据清洗、去重、配比采样、Curriculum Learning等数据工程方法论，理解数据分布偏移（Distribution Shift）对模型效果的影响；\n6. 具备大数据处理能力，熟悉Spark/Flink/Hive等分布式计算框架，能够独立完成TB级日志、行为序列、交易流水等内控数据的ETL开发、特征工程与批量加工，了解数据湖仓架构（如Delta Lake/Iceberg/Hudi）及OLAP引擎（如ClickHouse/Doris/StarRocks）者优先；\n7. 具备优秀的跨团队沟通能力和业务抽象能力，能将内控合规规则转化为可训练的标签体系或Reward Function\n加分项：\n1. 有企业内控、风控、审计、反舞弊或金融合规领域实际项目经验，熟悉SOX/COSO框架或电商交易风控逻辑者优先；\n2. 有大型Agent项目完整评测体系落地经验者优先；\n3. 在NeurIPS/ICML/ACL/EMNLP/KDD等顶会发表过Alignment、Evaluation、Agent或FinTech相关论文者优先；\n4. 主导过开源大模型微调项目或在HuggingFace/OpenCompass等平台贡献过高质量数据集/评测集者优先；\n5. 具备Graph Neural Network（GNN）、时序异常检测、因果推断（Causal Inference）等传统算法与大模型融合应用经验者优先；\n6. 了解模型安全与可信AI（Red Teaming、Safety Alignment、Explainability）相关技术，能在合规场景中保障模型输出可控、可追溯。\n岗位面向淘天集团智能内控体系建设，聚焦资金风险防控、流程合规审计、异常交易识别等核心业务场景，负责大模型及AI算法在复杂企业内控环境下的深度调优与效果落地，构建高精度、可解释、可信赖的智能内控AI引擎。\n1. 面向资金流水、审批日志、合同文本、操作行为序列等多模态内控数据，设计并实施SFT（Supervised Fine-Tuning）、DPO/RLHF等后训练对齐方案，提升模型在内控垂域任务中的指令遵循能力与事实准确性；\n2. 构建覆盖内控场景的自动化评测体系，包括但不限于：Benchmark构建、Golden Set标注、RAGAS/TruLens评估、幻觉检测（Hallucination Detection）、置信度校准（Confidence Calibration）及A/B Test框架，量化模型迭代收益；\n3. 针对合规推理、风险归因、异常溯源等长链路决策任务，优化Prompt Engineering、CoT（Chain-of-Thought）、ReAct Agent架构及检索增强生成（RAG）策略，提升复杂业务问题的端到端解决率；\n4. 深入分析Bad Case与Corner Case，通过LoRA/QLoRA微调、知识蒸馏（Knowledge Distillation）、数据合成（Synthetic Data Generation）等手段持续优化模型表现，平衡效果、延迟与推理成本；\n5. 与内控业务专家、策略运营及工程团队紧密协作，将模糊的合规诉求转化为可量化的算法优化目标，推动AI能力在内控全流程的规模化落地。\n1. 硕士研究生及以上学历，计算机、人工智能、统计学、数学、金融工程等相关专业优先；\n2. 3年以上大模型/NLP算法研发或调优经验，精通Transformer架构原理，熟练掌握SFT、RLHF、DPO、Agentic RL等对齐训练范式；\n3. 具备扎实的Agent评测能力，熟悉主流评测框架（如lm-evaluation-harness、OpenCompass、RAGAS）和常用评测benchmark，掌握BLEU/ROUGE/BERTScore/F1/AUC等指标适用边界，能独立设计面向业务的Task-Specific Evaluation Protocol；\n4. 精通Python编程，熟练使用PyTorch/TensorFlow、DeepSpeed/Megatron-LM、vLLM/TGI等训练与推理框架（任意一个即可）；\n5. 对数据质量敏感，掌握数据清洗、去重、配比采样、Curriculum Learning等数据工程方法论，理解数据分布偏移（Distribution Shift）对模型效果的影响；\n6. 具备大数据处理能力，熟悉Spark/Flink/Hive等分布式计算框架，能够独立完成TB级日志、行为序列、交易流水等内控数据的ETL开发、特征工程与批量加工，了解数据湖仓架构（如Delta Lake/Iceberg/Hudi）及OLAP引擎（如ClickHouse/Doris/StarRocks）者优先；\n7. 具备优秀的跨团队沟通能力和业务抽象能力，能将内控合规规则转化为可训练的标签体系或Reward Function\n加分项：\n1. 有企业内控、风控、审计、反舞弊或金融合规领域实际项目经验，熟悉SOX/COSO框架或电商交易风控逻辑者优先；\n2. 有大型Agent项目完整评测体系落地经验者优先；\n3. 在NeurIPS/ICML/ACL/EMNLP/KDD等顶会发表过Alignment、Evaluation、Agent或FinTech相关论文者优先；\n4. 主导过开源大模型微调项目或在HuggingFace/OpenCompass等平台贡献过高质量数据集/评测集者优先；\n5. 具备Graph Neural Network（GNN）、时序异常检测、因果推断（Causal Inference）等传统算法与大模型融合应用经验者优先；\n6. 了解模型安全与可信AI（Red Teaming、Safety Alignment、Explainability）相关技术，能在合规场景中保障模型输出可控、可追溯。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}