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": "晓天衡宇-大模型标注评测工程师-DevOps/运维方向",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "晓天衡宇",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"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. 验收 DevOps/运维方向 AI Coding 数据质量 — 对 CI/CD 配置、故障排查、build-release-config 等任务数据进行质量验收，核查任务设计的真实性、难度合理性与运维场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。",
"requirements_text": "1. 有真实 DevOps 或运维工程经验 — 熟悉 CI/CD 流程（Jenkins/GitLab CI/GitHub Actions），有 K8s、Docker 或云平台（阿里云/AWS/GCP）实际运维经验。\n2. 具备配置/脚本审阅与质量判断能力 — 能读懂 YAML/IaC 与 Shell 脚本，判断实现正确性、幂等性、风险点与稳定性问题，识别似是而非的错误答案。\n3. 具备故障定位和风险意识 — 能分析服务宕机、Pod OOM、CI 构建失败、网络超时等常见运维故障，判断止血与根因分析方案的合理性。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作",
"skills": [AI生成
"Docker",
"大语言模型"
],
"preferred_qualifications": "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=100026300004"
}
]
},
"posting": {
"posting_id": "100026300004",
"post_date": "2026-09-04",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100026300004"
},
"fulltext": "晓天衡宇-大模型标注评测工程师-DevOps/运维方向\n晓天衡宇-大模型标注评测工程师-DevOps/运维方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n1. 验收 DevOps/运维方向 AI Coding 数据质量 — 对 CI/CD 配置、故障排查、build-release-config 等任务数据进行质量验收，核查任务设计的真实性、难度合理性与运维场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。\n\n职位要求\n1. 有真实 DevOps 或运维工程经验 — 熟悉 CI/CD 流程（Jenkins/GitLab CI/GitHub Actions），有 K8s、Docker 或云平台（阿里云/AWS/GCP）实际运维经验。\n2. 具备配置/脚本审阅与质量判断能力 — 能读懂 YAML/IaC 与 Shell 脚本，判断实现正确性、幂等性、风险点与稳定性问题，识别似是而非的错误答案。\n3. 具备故障定位和风险意识 — 能分析服务宕机、Pod OOM、CI 构建失败、网络超时等常见运维故障，判断止血与根因分析方案的合理性。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作\n1. 验收 DevOps/运维方向 AI Coding 数据质量 — 对 CI/CD 配置、故障排查、build-release-config 等任务数据进行质量验收，核查任务设计的真实性、难度合理性与运维场景还原度。\n2. 标注规范与数据设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务；设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准；基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;\n3. 数据质量管控：对标注员产出进行专家级审核，重点识别代码逻辑错误、安全漏洞、风格一致性问题；建立 Code / Agentic 数据质量评估体系，定义量化指标并追踪质量趋势；设计并执行标注一致性校验流程（IAA），提升跨标注员的数据稳定性;\n4. 标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践；担任技术难题的终极裁判，解决边界案例和歧义问题；参与标注工具需求设计，提升代码标注效率;\n5. 探索更科学的评测指标、更高效的评测和标注方法。\n1. 有真实 DevOps 或运维工程经验 — 熟悉 CI/CD 流程（Jenkins/GitLab CI/GitHub Actions），有 K8s、Docker 或云平台（阿里云/AWS/GCP）实际运维经验。\n2. 具备配置/脚本审阅与质量判断能力 — 能读懂 YAML/IaC 与 Shell 脚本，判断实现正确性、幂等性、风险点与稳定性问题，识别似是而非的错误答案。\n3. 具备故障定位和风险意识 — 能分析服务宕机、Pod OOM、CI 构建失败、网络超时等常见运维故障，判断止血与根因分析方案的合理性。\n4. 具备结构化表达与标准化能力 — 能把质检问题清晰描述为缺陷类型、判定依据、影响范围与整改建议，并沉淀为可复用的验收标准。\n5.深刻理解模型能力发展脉络，能预判下一阶段的标注和评测重点；熟悉从基础能力到复杂能力的演进路径。\n6.理解训练数据的分布和特点，能设计针对性的评测来检验数据效果；具备反作弊意识，能识别模型是\"\"真懂\"\"还是\"\"背题\"\"。\n加分项\n• 参与过大模型（LLM）数据项目标注/评测/质检 / 验收工作",
"standard_classification": {
"std_category_code": "B010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}