主分类：AI训练数据标注与评测运营
辅助：AI 模型产品经理（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": "数据技术及产品部-RL Data 工程师-Work（工程方向）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "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": "主导大模型办公场景下宽泛工业场景如制造业、建筑、工业工程等方向数据体系的设计与落地实施，定义模型能力，设计数据方法并构建高质量专业数据集。具体包括：\n1. 主导设计并构建面向工业场景的高质量数据，涵盖能力维度拆解、任务难度分级、数据集构造、评分标准制定等全流程，具备从 0 到 1 打造高质量数据集的能力。\n2. 持续跟踪大模型在工业领域的落地进展，确保数据对于模型模型的真实能力边界提升有帮助。\n3. 设计覆盖真实工业场景的数据方案，包括但不限于：制造业效率提升、建设设计规划等，推动从\"解题\"向\"工程实践\"演进。\n4. 设计面向复杂 Agent 场景的数据任务体系，涵盖多步推理、环境交互、工具编排、长程规划、错误恢复等维度，构建能反映真实 Agentic 工作流的端到端数据方案。\n5. 建立评测数据质量管控机制，包括题目查重与污染检测、难度标定与校准、人工标注规范制定与一致性审核，确保评测结果的可信度与可复现性。\n6. 与模型训练团队紧密协作，将评测洞察转化为模型能力改进方向；与工程团队协同推动评测基础设施建设，支撑高频次、大规模的自动化数据流程。",
"requirements_text": "1. 对大模型在工业领域有深入理解和判断，能清晰判断如何将工业领域任务转化为大模型数据。\n2、 工业背景+大模型数据经历，具备将实际工业场景抽象为大模型数据的能力。\n3 熟练掌握 Python，具备数据处理、统计分析与可视化能力；了解主流 LLM 推理服务的调用方式与工程约束。\n4. 了解 Agent 框架的核心机制（如 ReAct、Tool Use、Planning 等范式），对 MCP 等工具协议有认知或实践经验。\n5. 优秀的技术写作与沟通能力，能将评测设计思路清晰传达给研究与工程团队，并撰写高质量的评测报告与技术文档。",
"skills": [AI生成
"Python",
"React",
"统计分析",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "未披露",
"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=100038700001"
}
]
},
"posting": {
"posting_id": "100038700001",
"post_date": "2026-09-10",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent-holding.alibaba.com/off-campus/position-detail?positionId=100038700001"
},
"fulltext": "数据技术及产品部-RL Data 工程师-Work（工程方向）\n数据技术及产品部-RL Data 工程师-Work（工程方向）\n\n基础信息\n工作地点：杭州\n\n职位描述\n主导大模型办公场景下宽泛工业场景如制造业、建筑、工业工程等方向数据体系的设计与落地实施，定义模型能力，设计数据方法并构建高质量专业数据集。具体包括：\n1. 主导设计并构建面向工业场景的高质量数据，涵盖能力维度拆解、任务难度分级、数据集构造、评分标准制定等全流程，具备从 0 到 1 打造高质量数据集的能力。\n2. 持续跟踪大模型在工业领域的落地进展，确保数据对于模型模型的真实能力边界提升有帮助。\n3. 设计覆盖真实工业场景的数据方案，包括但不限于：制造业效率提升、建设设计规划等，推动从\"解题\"向\"工程实践\"演进。\n4. 设计面向复杂 Agent 场景的数据任务体系，涵盖多步推理、环境交互、工具编排、长程规划、错误恢复等维度，构建能反映真实 Agentic 工作流的端到端数据方案。\n5. 建立评测数据质量管控机制，包括题目查重与污染检测、难度标定与校准、人工标注规范制定与一致性审核，确保评测结果的可信度与可复现性。\n6. 与模型训练团队紧密协作，将评测洞察转化为模型能力改进方向；与工程团队协同推动评测基础设施建设，支撑高频次、大规模的自动化数据流程。\n\n职位要求\n1. 对大模型在工业领域有深入理解和判断，能清晰判断如何将工业领域任务转化为大模型数据。\n2、 工业背景+大模型数据经历，具备将实际工业场景抽象为大模型数据的能力。\n3 熟练掌握 Python，具备数据处理、统计分析与可视化能力；了解主流 LLM 推理服务的调用方式与工程约束。\n4. 了解 Agent 框架的核心机制（如 ReAct、Tool Use、Planning 等范式），对 MCP 等工具协议有认知或实践经验。\n5. 优秀的技术写作与沟通能力，能将评测设计思路清晰传达给研究与工程团队，并撰写高质量的评测报告与技术文档。\n主导大模型办公场景下宽泛工业场景如制造业、建筑、工业工程等方向数据体系的设计与落地实施，定义模型能力，设计数据方法并构建高质量专业数据集。具体包括：\n1. 主导设计并构建面向工业场景的高质量数据，涵盖能力维度拆解、任务难度分级、数据集构造、评分标准制定等全流程，具备从 0 到 1 打造高质量数据集的能力。\n2. 持续跟踪大模型在工业领域的落地进展，确保数据对于模型模型的真实能力边界提升有帮助。\n3. 设计覆盖真实工业场景的数据方案，包括但不限于：制造业效率提升、建设设计规划等，推动从\"解题\"向\"工程实践\"演进。\n4. 设计面向复杂 Agent 场景的数据任务体系，涵盖多步推理、环境交互、工具编排、长程规划、错误恢复等维度，构建能反映真实 Agentic 工作流的端到端数据方案。\n5. 建立评测数据质量管控机制，包括题目查重与污染检测、难度标定与校准、人工标注规范制定与一致性审核，确保评测结果的可信度与可复现性。\n6. 与模型训练团队紧密协作，将评测洞察转化为模型能力改进方向；与工程团队协同推动评测基础设施建设，支撑高频次、大规模的自动化数据流程。\n1. 对大模型在工业领域有深入理解和判断，能清晰判断如何将工业领域任务转化为大模型数据。\n2、 工业背景+大模型数据经历，具备将实际工业场景抽象为大模型数据的能力。\n3 熟练掌握 Python，具备数据处理、统计分析与可视化能力；了解主流 LLM 推理服务的调用方式与工程约束。\n4. 了解 Agent 框架的核心机制（如 ReAct、Tool Use、Planning 等范式），对 MCP 等工具协议有认知或实践经验。\n5. 优秀的技术写作与沟通能力，能将评测设计思路清晰传达给研究与工程团队，并撰写高质量的评测报告与技术文档。",
"standard_classification": {
"std_category_code": "B010",
"std_aux_codes": [
"PM003"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}