主分类：Agent系统开发
辅助：搜索推荐与业务决策算法研发（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": "业务技术-AI应用优化工程师-智能营销方向",
"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": "市场营销"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": "计算机、人工智能、数学等相关专业本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 负责店铺智能优惠面向增量人群的 AutoResearch 系统端到端设计与落地，主导 人群策略自动生成、营销场景编排、投放节奏规划、效果归因与策略自迭代 等核心链路；构建 人群洞察到营销动作的智能闭环，完成增量人群圈选与分层、触达时机与权益匹配、A/B 实验自动化、ROI 预估模型校准，将运营经验沉淀为可复用的 AI 决策规则。\n2. 攻坚营销 Agent 的 业务落地难题：商家差异化诉求抽象、多活动并行冲突消解、资金安全与合规约束下的自动化边界定义，在\"全自动\"与\"人在回路\"之间找到最优平衡点\n3. 搭建 AutoResearch 的 效果度量与迭代体系 ：定义核心北极星指标、建设离线回放与在线对照实验框架、bad case 归因与策略修正闭环，驱动系统能力可度量地转化为增量业务结果。\n4. 跟踪 AI + 营销领域前沿实践（自动化投放、个性化定价、Agent 驱动的运营工作流等），识别高 ROI 的技术杠杆点，推动电商营销领域AI规模化落地。",
"requirements_text": "1. 计算机、人工智能、数学等相关专业本科及以上学历，3 年及以上研发经验，其中至少 1–2 年 LLM / Agent 方向的落地经验。\n2. 电商营销项目经验丰富，具备强跨团队推动力：熟悉电商营销技术体系设计，能独立设计并交付端到端营销解决方案；具备优秀的沟通与协作能力，能在算法、工程、产品、业务多方协同的环境中把项目推动到有结果。\n3. 对 Agent 技术栈有深度理解与实战积累：具备长程任务（long-horizon）Agent 的设计与落地经验，熟悉上下文工程（context engineering）、任务规划与子任务分解、工具编排与并行调用、自我反思与错误恢复等关键能力的工程化实现；理解 Multi-Agent 协作中的角色划分、通信协议与冲突消解，能针对业务场景在 Single-Agent 深度 vs Multi-Agent 广度 之间给出合理取舍；关注 Agentic RL、Skill Learning、Tool / Sub-agents 体系化建设等前沿方向并有自己的判断，能独立交付端到端 Agent 应用并对每一环节的选型给出充分依据。\n4. 具备 Agent / Harness 框架层与自迭代闭环的动手能力：有主导或深度参与 Agent Harness（调度循环、工具调用协议、上下文拼装、Token 与预算控制等）设计与实现的经验；在记忆模块上有体系化设计——能清晰区分短期上下文、会话级记忆、长期用户/商家记忆与知识型记忆的边界，熟悉写入/召回/淘汰/一致性策略，具备向量检索、结构化记忆、事件流记忆等多种方案的落地取舍经验；在 AutoResearch / RSI（Recursive Self-Improvement） 方向具备可复用的奖励与评估方法论——针对营销/推荐类稀疏、延迟、多目标反馈场景，具备自建可校准的多层评估框架 / benchmark 能力。\n5. 具备扎实的工程功底，能独立完成从原型到生产链路的落地，对服务稳定性、P99 延迟、Token 成本有清晰的量化 sense；同时具备扎实的算法基础，熟悉常用机器学习/统计学习方法（如分类、聚类、预测、因果推断/Uplift 等），能结合业务问题完成特征构建、模型选型、离线评估与线上效果验证；熟悉大模型基本原理、Fine-tuning、RLHF 等优化手段者优先。",
"skills": [AI生成
"机器学习",
"大语言模型"
],
"preferred_qualifications": "熟悉大模型基本原理、Fine-tuning、RLHF 等优化手段者优先",
"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=100039460001"
}
]
},
"posting": {
"posting_id": "100039460001",
"post_date": "2026-09-15",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.taotian.com/off-campus/position-detail?positionId=100039460001"
},
"fulltext": "业务技术-AI应用优化工程师-智能营销方向\n业务技术-AI应用优化工程师-智能营销方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n1. 负责店铺智能优惠面向增量人群的 AutoResearch 系统端到端设计与落地，主导 人群策略自动生成、营销场景编排、投放节奏规划、效果归因与策略自迭代 等核心链路；构建 人群洞察到营销动作的智能闭环，完成增量人群圈选与分层、触达时机与权益匹配、A/B 实验自动化、ROI 预估模型校准，将运营经验沉淀为可复用的 AI 决策规则。\n2. 攻坚营销 Agent 的 业务落地难题：商家差异化诉求抽象、多活动并行冲突消解、资金安全与合规约束下的自动化边界定义，在\"全自动\"与\"人在回路\"之间找到最优平衡点\n3. 搭建 AutoResearch 的 效果度量与迭代体系 ：定义核心北极星指标、建设离线回放与在线对照实验框架、bad case 归因与策略修正闭环，驱动系统能力可度量地转化为增量业务结果。\n4. 跟踪 AI + 营销领域前沿实践（自动化投放、个性化定价、Agent 驱动的运营工作流等），识别高 ROI 的技术杠杆点，推动电商营销领域AI规模化落地。\n\n职位要求\n1. 计算机、人工智能、数学等相关专业本科及以上学历，3 年及以上研发经验，其中至少 1–2 年 LLM / Agent 方向的落地经验。\n2. 电商营销项目经验丰富，具备强跨团队推动力：熟悉电商营销技术体系设计，能独立设计并交付端到端营销解决方案；具备优秀的沟通与协作能力，能在算法、工程、产品、业务多方协同的环境中把项目推动到有结果。\n3. 对 Agent 技术栈有深度理解与实战积累：具备长程任务（long-horizon）Agent 的设计与落地经验，熟悉上下文工程（context engineering）、任务规划与子任务分解、工具编排与并行调用、自我反思与错误恢复等关键能力的工程化实现；理解 Multi-Agent 协作中的角色划分、通信协议与冲突消解，能针对业务场景在 Single-Agent 深度 vs Multi-Agent 广度 之间给出合理取舍；关注 Agentic RL、Skill Learning、Tool / Sub-agents 体系化建设等前沿方向并有自己的判断，能独立交付端到端 Agent 应用并对每一环节的选型给出充分依据。\n4. 具备 Agent / Harness 框架层与自迭代闭环的动手能力：有主导或深度参与 Agent Harness（调度循环、工具调用协议、上下文拼装、Token 与预算控制等）设计与实现的经验；在记忆模块上有体系化设计——能清晰区分短期上下文、会话级记忆、长期用户/商家记忆与知识型记忆的边界，熟悉写入/召回/淘汰/一致性策略，具备向量检索、结构化记忆、事件流记忆等多种方案的落地取舍经验；在 AutoResearch / RSI（Recursive Self-Improvement） 方向具备可复用的奖励与评估方法论——针对营销/推荐类稀疏、延迟、多目标反馈场景，具备自建可校准的多层评估框架 / benchmark 能力。\n5. 具备扎实的工程功底，能独立完成从原型到生产链路的落地，对服务稳定性、P99 延迟、Token 成本有清晰的量化 sense；同时具备扎实的算法基础，熟悉常用机器学习/统计学习方法（如分类、聚类、预测、因果推断/Uplift 等），能结合业务问题完成特征构建、模型选型、离线评估与线上效果验证；熟悉大模型基本原理、Fine-tuning、RLHF 等优化手段者优先。\n1. 负责店铺智能优惠面向增量人群的 AutoResearch 系统端到端设计与落地，主导 人群策略自动生成、营销场景编排、投放节奏规划、效果归因与策略自迭代 等核心链路；构建 人群洞察到营销动作的智能闭环，完成增量人群圈选与分层、触达时机与权益匹配、A/B 实验自动化、ROI 预估模型校准，将运营经验沉淀为可复用的 AI 决策规则。\n2. 攻坚营销 Agent 的 业务落地难题：商家差异化诉求抽象、多活动并行冲突消解、资金安全与合规约束下的自动化边界定义，在\"全自动\"与\"人在回路\"之间找到最优平衡点\n3. 搭建 AutoResearch 的 效果度量与迭代体系 ：定义核心北极星指标、建设离线回放与在线对照实验框架、bad case 归因与策略修正闭环，驱动系统能力可度量地转化为增量业务结果。\n4. 跟踪 AI + 营销领域前沿实践（自动化投放、个性化定价、Agent 驱动的运营工作流等），识别高 ROI 的技术杠杆点，推动电商营销领域AI规模化落地。\n1. 计算机、人工智能、数学等相关专业本科及以上学历，3 年及以上研发经验，其中至少 1–2 年 LLM / Agent 方向的落地经验。\n2. 电商营销项目经验丰富，具备强跨团队推动力：熟悉电商营销技术体系设计，能独立设计并交付端到端营销解决方案；具备优秀的沟通与协作能力，能在算法、工程、产品、业务多方协同的环境中把项目推动到有结果。\n3. 对 Agent 技术栈有深度理解与实战积累：具备长程任务（long-horizon）Agent 的设计与落地经验，熟悉上下文工程（context engineering）、任务规划与子任务分解、工具编排与并行调用、自我反思与错误恢复等关键能力的工程化实现；理解 Multi-Agent 协作中的角色划分、通信协议与冲突消解，能针对业务场景在 Single-Agent 深度 vs Multi-Agent 广度 之间给出合理取舍；关注 Agentic RL、Skill Learning、Tool / Sub-agents 体系化建设等前沿方向并有自己的判断，能独立交付端到端 Agent 应用并对每一环节的选型给出充分依据。\n4. 具备 Agent / Harness 框架层与自迭代闭环的动手能力：有主导或深度参与 Agent Harness（调度循环、工具调用协议、上下文拼装、Token 与预算控制等）设计与实现的经验；在记忆模块上有体系化设计——能清晰区分短期上下文、会话级记忆、长期用户/商家记忆与知识型记忆的边界，熟悉写入/召回/淘汰/一致性策略，具备向量检索、结构化记忆、事件流记忆等多种方案的落地取舍经验；在 AutoResearch / RSI（Recursive Self-Improvement） 方向具备可复用的奖励与评估方法论——针对营销/推荐类稀疏、延迟、多目标反馈场景，具备自建可校准的多层评估框架 / benchmark 能力。\n5. 具备扎实的工程功底，能独立完成从原型到生产链路的落地，对服务稳定性、P99 延迟、Token 成本有清晰的量化 sense；同时具备扎实的算法基础，熟悉常用机器学习/统计学习方法（如分类、聚类、预测、因果推断/Uplift 等），能结合业务问题完成特征构建、模型选型、离线评估与线上效果验证；熟悉大模型基本原理、Fine-tuning、RLHF 等优化手段者优先。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T011"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}