主分类：AI训练推理与计算优化
辅助：Agent系统开发（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": "研究型实习生-AI算力数据与Agent研发工程师",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "阿里巴巴控股集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"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": "计算机系统、人工智能、运筹统计与最优化理论、控制学相关领域博士研究生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化\n2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。\n3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等\n4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。",
"requirements_text": "1. 计算机系统、人工智能、运筹统计与最优化理论、控制学相关领域博士研究生，或特别突出的硕士研究生，可连续实习6个月以上\n2. 前沿技术研究：跟进AI/Agent基础设施与系统架构、模型算法领域的最新SOTA研究成果，在资源管理与调度、系统/引擎架构与性能优化、模型结构等领域有突出成果，并在国际高水平的系统、算法顶会有学术论文发表\n3. 领域背景：深入理解 MaaS推理平台、Agent系统、推理引擎、模型训练（至少精通其一），对资源算力管理、AI Infra集群管理与调度、AI系统架构优化、AI模型训练与结构优化有较突出工作经验（至少其一）。\n4. 推理与Agent优化方向：具备推理引擎与Agent多智能体系统研发背景，具备强系统架构与工程能力，熟悉Harness工程如任务规划、工具调用、反思优化、分布式协、RAG/向量检索，及常见Agent框架如LangChain/LangGraph/AutoGen/CrewAI/Codex CLI，训练推理引擎框架如vLLM/SGLang/Megatron/OpenRLHF/Pytorch/TensorRT等；有开源项目代码贡献和相关项目经验者优先。\n5. 模型训练优化方向：具备LLM、多模态、世界模型等模型研发背景，熟悉业界大模型结构、后训练方法，精通算法研发、训练数据管线构建、模型自动评测。具备SFT、后训练RLHF/RLAIF/RLVF、RL DPO/PPO/GRPO 等一种或多种方法或算法实践经验，围绕业务目标构建训练数据集、奖励机制与评测体系。\n6. 优化方向：擅长利用数智驱动方式进行算力资源管理优化、全局最优匹配、模型运行时优化、各类引擎架构系统优化、软硬结合的优化等\n7. 加分技术领域背景：AI for System for AI背景，在超算、分布式系统、资源管理与调度、大模型训推研发、模型结构与模型网络架构设计（文本/多模态/世界模型）。熟悉CUDA、PTX等编译优化技术、GPU/TPU/NPU/各类CPU芯片软硬件架构栈等优先",
"skills": [AI生成
"PyTorch",
"CUDA",
"分布式系统",
"模型训练",
"性能优化",
"系统架构",
"架构设计",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "有开源项目代码贡献和相关项目经验者优先；7. 加分技术领域背景：AI for System for AI背景，在超算、分布式系统、资源管理与调度、大模型训推研发、模型结构与模型网络架构设计（文本/多模态/世界模型）；熟悉CUDA、PTX等编译优化技术、GPU/TPU/NPU/各类CPU芯片软硬件架构栈等优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199905780005?deptCodes="
}
]
},
"posting": {
"posting_id": "199905780005",
"post_date": "2026-07-02",
"hire_time": "1. 计算机系统、人工智能、运筹统计与最优化理论、控制学相关领域博士研究生，或特别突出的硕士研究生，可连续实习6个月以上",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199905780005?deptCodes="
},
"fulltext": "研究型实习生-AI算力数据与Agent研发工程师\n研究型实习生-AI算力数据与Agent研发工程师\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2030-01-01\n职位类别：技术类\n招聘项目：阿里巴巴研究型实习生\n工作地点：杭州\n\n职位描述\n1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化\n2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。\n3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等\n4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。\n\n职位要求\n1. 计算机系统、人工智能、运筹统计与最优化理论、控制学相关领域博士研究生，或特别突出的硕士研究生，可连续实习6个月以上\n2. 前沿技术研究：跟进AI/Agent基础设施与系统架构、模型算法领域的最新SOTA研究成果，在资源管理与调度、系统/引擎架构与性能优化、模型结构等领域有突出成果，并在国际高水平的系统、算法顶会有学术论文发表\n3. 领域背景：深入理解 MaaS推理平台、Agent系统、推理引擎、模型训练（至少精通其一），对资源算力管理、AI Infra集群管理与调度、AI系统架构优化、AI模型训练与结构优化有较突出工作经验（至少其一）。\n4. 推理与Agent优化方向：具备推理引擎与Agent多智能体系统研发背景，具备强系统架构与工程能力，熟悉Harness工程如任务规划、工具调用、反思优化、分布式协、RAG/向量检索，及常见Agent框架如LangChain/LangGraph/AutoGen/CrewAI/Codex CLI，训练推理引擎框架如vLLM/SGLang/Megatron/OpenRLHF/Pytorch/TensorRT等；有开源项目代码贡献和相关项目经验者优先。\n5. 模型训练优化方向：具备LLM、多模态、世界模型等模型研发背景，熟悉业界大模型结构、后训练方法，精通算法研发、训练数据管线构建、模型自动评测。具备SFT、后训练RLHF/RLAIF/RLVF、RL DPO/PPO/GRPO 等一种或多种方法或算法实践经验，围绕业务目标构建训练数据集、奖励机制与评测体系。\n6. 优化方向：擅长利用数智驱动方式进行算力资源管理优化、全局最优匹配、模型运行时优化、各类引擎架构系统优化、软硬结合的优化等\n7. 加分技术领域背景：AI for System for AI背景，在超算、分布式系统、资源管理与调度、大模型训推研发、模型结构与模型网络架构设计（文本/多模态/世界模型）。熟悉CUDA、PTX等编译优化技术、GPU/TPU/NPU/各类CPU芯片软硬件架构栈等优先\n\n在招业务\n阿里巴巴控股集团\n1.建设AI算力池数据层，构建各类资源算力管理模型，研发Agent生产系统，与AI算力池的训推平台SRE各系统Agent联动，实现端到端自动化的TPM智能容量规划、弹性交付、需求应答、智能流量管控调度、自适应限流、资源高效流转腾挪，实现全局TPM利用率、单位算力Token成本的优化\n2.建设单机和中心的管控Agent，实现模型的TPM运行时算力质量与性能自适应优化与SLA保障，解决模型部署运行时GPU/CPU/kv显存内存/PCIe互联/网络通信在通用与Scalup机型架构下的各类竞争与干扰，Agent具备端到端的问题识别发现、根因诊断、算力与性能优化、后训练Agentic RL反馈微调垂类模型等自动化闭环，增强Agent对模型运行时算力问题、性能瓶颈和优化策略的理解，自动识别并完成差异化硬件芯片架构、集群/网络/互联架构、系统软件栈如内核/编译下的软硬件结合优化、全局卡型模型最优匹配。\n3.构建引擎架构与性能优化Agent，通过各类系统架构与性能优化，实现TPM性能与计算效率、各类模型与Agent能力体验大幅优化。典型如Agent自动优化推理引擎架构代码、训练系统架构代码、模型结构、AIData管线架构代码、Agent Infra架构代码、Agentic RL训推联动系统架构代码等\n4.搭建多智能体协作框架，研究数十万智能体Agent的分工、协同、通信机制、后训练、反思与决策机制，提升各Agent系统在复杂场景下的鲁棒性、稳定性、执行效率与优化效果。\n1. 计算机系统、人工智能、运筹统计与最优化理论、控制学相关领域博士研究生，或特别突出的硕士研究生，可连续实习6个月以上\n2. 前沿技术研究：跟进AI/Agent基础设施与系统架构、模型算法领域的最新SOTA研究成果，在资源管理与调度、系统/引擎架构与性能优化、模型结构等领域有突出成果，并在国际高水平的系统、算法顶会有学术论文发表\n3. 领域背景：深入理解 MaaS推理平台、Agent系统、推理引擎、模型训练（至少精通其一），对资源算力管理、AI Infra集群管理与调度、AI系统架构优化、AI模型训练与结构优化有较突出工作经验（至少其一）。\n4. 推理与Agent优化方向：具备推理引擎与Agent多智能体系统研发背景，具备强系统架构与工程能力，熟悉Harness工程如任务规划、工具调用、反思优化、分布式协、RAG/向量检索，及常见Agent框架如LangChain/LangGraph/AutoGen/CrewAI/Codex CLI，训练推理引擎框架如vLLM/SGLang/Megatron/OpenRLHF/Pytorch/TensorRT等；有开源项目代码贡献和相关项目经验者优先。\n5. 模型训练优化方向：具备LLM、多模态、世界模型等模型研发背景，熟悉业界大模型结构、后训练方法，精通算法研发、训练数据管线构建、模型自动评测。具备SFT、后训练RLHF/RLAIF/RLVF、RL DPO/PPO/GRPO 等一种或多种方法或算法实践经验，围绕业务目标构建训练数据集、奖励机制与评测体系。\n6. 优化方向：擅长利用数智驱动方式进行算力资源管理优化、全局最优匹配、模型运行时优化、各类引擎架构系统优化、软硬结合的优化等\n7. 加分技术领域背景：AI for System for AI背景，在超算、分布式系统、资源管理与调度、大模型训推研发、模型结构与模型网络架构设计（文本/多模态/世界模型）。熟悉CUDA、PTX等编译优化技术、GPU/TPU/NPU/各类CPU芯片软硬件架构栈等优先",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}