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": "AI Agent应用研发&系统架构（搜索）-阿里星/A Star",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "阿里云",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "阿里云",
"company_industry": "云计算 / 人工智能",
"company_size": "10000人以上",
"company_website": "alibaba.com",
"company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "- 2027 届应届硕士 / 博士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们在重新定义 Agent 时代的搜索。传统搜索返回链接与摘要，而 agent 时代的入口正在迁移——coding agent、browser agent、桌面 / 企业 agent都把搜索作为工具接入工作流。我们要做的是一个面向 agent 的下一代搜索平台：\n- 多模态：统一检索网页、文档、代码、图像、表格等异构内容；\n- 跨数据源：打通公开网页、垂直数据源与企业内部知识库，做带权限的统一检索与融合；\n- 可验证、可追溯：把搜索升级为可跨源验证、带证据链与引用的研究能力（Deep Search / Deep Research ）；\n- agent-native：通过 API / SDK / 插件 / MCP 等多种方式被各类 agent 调用，成为它们可信的信息层。\n你将和团队一起探索并定义全新的搜索形式与 agent 检索范式——而不只是优化既有搜索框。\n岗位职责\n1. 面向 Agent 的搜索系统研发\n- 参与设计与实现搜索 Agent 的运行时与编排框架：把 query 理解、计划拆解、多源检索、下钻抽取、排序、跨源验证、合成等环节，组织为可插拔、可观测的工作流；\n- 参与构建统一的多模态 / 跨数据源检索层，把不同搜索源与解析器抽象为标准化、可组合的工具与 connector；\n- 参与工具调用管道、记忆 / 证据服务与多 Agent 协调，并通过多种接入形态（API / SDK / MCP 等）对外提供标准化检索能力，让本平台成为各类 agent 与应用可信的信息层。\n2. 搜索智能与训练优化\n- 探索基于强化学习 / 反馈学习的搜索 Agent\n训练：把检索质量、引用正确性、跨源验证、成本与延迟等设计为奖励信号，持续提升 agent\n的检索决策与工具使用能力；\n- 研究面向 LLM 的上下文预计算、实时知识图谱 / 证据检索等技术，在可信度不打折的前提下，将检索与推理效率提升一个数量级。\n3. 质量、可信与可观测\n- 把可验证性与可追溯性做进系统：证据图、引用绑定、冲突识别、置信度，让结果可审计、可复用；\n- 参与设计带权限的检索边界（委托身份、source-level ACL）；参与长任务的检查点与故障恢复、语义化链路追踪与成本核算。\n4. 技术探索与影响力\n- 前瞻探索新的搜索形式——新的检索范式、交互形态与 agent 协作模式，推动其在核心业务落地；\n- 鼓励将成果以论文、开源项目、技术分享的形式对外输出。",
"requirements_text": "1. 基础条件\n- 2027 届应届硕士 / 博士，计算机科学、人工智能等相关专业；\n- 具备以下任一突出成果：顶会论文一作、国际顶级竞赛冠军，或高 Star 开源项目核心维护者。\n2. 系统架构深度\n- 扎实的分布式系统理论基础，深入掌握操作系统内核、网络协议栈、存储引擎底层原理；\n- 精通 Go / Python / Java / Rust 至少一门系统级语言，具备大规模生产级系统的架构设计与性能优化经验；\n- 深入了解后端技术栈（微服务 / API / 消息队列 / 缓存），有云原生（K8s / CI/CD /\nServerless）或安全隔离技术（Docker / Kata / gVisor）经验。\n3. AI Agent 与搜索技术深度\n深入理解大模型技术原理与前沿进展，在以下至少一个方向具备业界领先的深度：\n- 搜索 / 检索 Agent：在多模态检索、跨数据源融合、知识图谱或大规模信息检索方向有深入研究或系统落地；有基于搜索 / 检索 Agent 进行强化学习（search agent RL、tool-use RL、RAG 优化等）的经验者尤佳；\n- Agent 核心组件：主导设计 Memory / RAG / 工具调用等关键组件，有创新性技术方案落地；\n- Agent 协议与互操作：熟悉 MCP / A2A 等协议，有协议层设计、实现或生态贡献经验。",
"skills": [AI生成
"Python",
"Java",
"Rust",
"Docker",
"强化学习",
"分布式系统",
"微服务",
"知识图谱",
"性能优化",
"系统架构",
"架构设计",
"Go",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907720110?deptCodes="
}
]
},
"posting": {
"posting_id": "199907720110",
"post_date": "2026-07-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907720110?deptCodes="
},
"fulltext": "AI Agent应用研发&系统架构（搜索）-阿里星/A Star\nAI Agent应用研发&系统架构（搜索）-阿里星/A Star\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：杭州\n\n职位描述\n我们在重新定义 Agent 时代的搜索。传统搜索返回链接与摘要，而 agent 时代的入口正在迁移——coding agent、browser agent、桌面 / 企业 agent都把搜索作为工具接入工作流。我们要做的是一个面向 agent 的下一代搜索平台：\n- 多模态：统一检索网页、文档、代码、图像、表格等异构内容；\n- 跨数据源：打通公开网页、垂直数据源与企业内部知识库，做带权限的统一检索与融合；\n- 可验证、可追溯：把搜索升级为可跨源验证、带证据链与引用的研究能力（Deep Search / Deep Research ）；\n- agent-native：通过 API / SDK / 插件 / MCP 等多种方式被各类 agent 调用，成为它们可信的信息层。\n你将和团队一起探索并定义全新的搜索形式与 agent 检索范式——而不只是优化既有搜索框。\n岗位职责\n1. 面向 Agent 的搜索系统研发\n- 参与设计与实现搜索 Agent 的运行时与编排框架：把 query 理解、计划拆解、多源检索、下钻抽取、排序、跨源验证、合成等环节，组织为可插拔、可观测的工作流；\n- 参与构建统一的多模态 / 跨数据源检索层，把不同搜索源与解析器抽象为标准化、可组合的工具与 connector；\n- 参与工具调用管道、记忆 / 证据服务与多 Agent 协调，并通过多种接入形态（API / SDK / MCP 等）对外提供标准化检索能力，让本平台成为各类 agent 与应用可信的信息层。\n2. 搜索智能与训练优化\n- 探索基于强化学习 / 反馈学习的搜索 Agent\n训练：把检索质量、引用正确性、跨源验证、成本与延迟等设计为奖励信号，持续提升 agent\n的检索决策与工具使用能力；\n- 研究面向 LLM 的上下文预计算、实时知识图谱 / 证据检索等技术，在可信度不打折的前提下，将检索与推理效率提升一个数量级。\n3. 质量、可信与可观测\n- 把可验证性与可追溯性做进系统：证据图、引用绑定、冲突识别、置信度，让结果可审计、可复用；\n- 参与设计带权限的检索边界（委托身份、source-level ACL）；参与长任务的检查点与故障恢复、语义化链路追踪与成本核算。\n4. 技术探索与影响力\n- 前瞻探索新的搜索形式——新的检索范式、交互形态与 agent 协作模式，推动其在核心业务落地；\n- 鼓励将成果以论文、开源项目、技术分享的形式对外输出。\n\n职位要求\n1. 基础条件\n- 2027 届应届硕士 / 博士，计算机科学、人工智能等相关专业；\n- 具备以下任一突出成果：顶会论文一作、国际顶级竞赛冠军，或高 Star 开源项目核心维护者。\n2. 系统架构深度\n- 扎实的分布式系统理论基础，深入掌握操作系统内核、网络协议栈、存储引擎底层原理；\n- 精通 Go / Python / Java / Rust 至少一门系统级语言，具备大规模生产级系统的架构设计与性能优化经验；\n- 深入了解后端技术栈（微服务 / API / 消息队列 / 缓存），有云原生（K8s / CI/CD /\nServerless）或安全隔离技术（Docker / Kata / gVisor）经验。\n3. AI Agent 与搜索技术深度\n深入理解大模型技术原理与前沿进展，在以下至少一个方向具备业界领先的深度：\n- 搜索 / 检索 Agent：在多模态检索、跨数据源融合、知识图谱或大规模信息检索方向有深入研究或系统落地；有基于搜索 / 检索 Agent 进行强化学习（search agent RL、tool-use RL、RAG 优化等）的经验者尤佳；\n- Agent 核心组件：主导设计 Memory / RAG / 工具调用等关键组件，有创新性技术方案落地；\n- Agent 协议与互操作：熟悉 MCP / A2A 等协议，有协议层设计、实现或生态贡献经验。\n\n在招业务\n阿里云\n我们在重新定义 Agent 时代的搜索。传统搜索返回链接与摘要，而 agent 时代的入口正在迁移——coding agent、browser agent、桌面 / 企业 agent都把搜索作为工具接入工作流。我们要做的是一个面向 agent 的下一代搜索平台：\n- 多模态：统一检索网页、文档、代码、图像、表格等异构内容；\n- 跨数据源：打通公开网页、垂直数据源与企业内部知识库，做带权限的统一检索与融合；\n- 可验证、可追溯：把搜索升级为可跨源验证、带证据链与引用的研究能力（Deep Search / Deep Research ）；\n- agent-native：通过 API / SDK / 插件 / MCP 等多种方式被各类 agent 调用，成为它们可信的信息层。\n你将和团队一起探索并定义全新的搜索形式与 agent 检索范式——而不只是优化既有搜索框。\n岗位职责\n1. 面向 Agent 的搜索系统研发\n- 参与设计与实现搜索 Agent 的运行时与编排框架：把 query 理解、计划拆解、多源检索、下钻抽取、排序、跨源验证、合成等环节，组织为可插拔、可观测的工作流；\n- 参与构建统一的多模态 / 跨数据源检索层，把不同搜索源与解析器抽象为标准化、可组合的工具与 connector；\n- 参与工具调用管道、记忆 / 证据服务与多 Agent 协调，并通过多种接入形态（API / SDK / MCP 等）对外提供标准化检索能力，让本平台成为各类 agent 与应用可信的信息层。\n2. 搜索智能与训练优化\n- 探索基于强化学习 / 反馈学习的搜索 Agent\n训练：把检索质量、引用正确性、跨源验证、成本与延迟等设计为奖励信号，持续提升 agent\n的检索决策与工具使用能力；\n- 研究面向 LLM 的上下文预计算、实时知识图谱 / 证据检索等技术，在可信度不打折的前提下，将检索与推理效率提升一个数量级。\n3. 质量、可信与可观测\n- 把可验证性与可追溯性做进系统：证据图、引用绑定、冲突识别、置信度，让结果可审计、可复用；\n- 参与设计带权限的检索边界（委托身份、source-level ACL）；参与长任务的检查点与故障恢复、语义化链路追踪与成本核算。\n4. 技术探索与影响力\n- 前瞻探索新的搜索形式——新的检索范式、交互形态与 agent 协作模式，推动其在核心业务落地；\n- 鼓励将成果以论文、开源项目、技术分享的形式对外输出。\n1. 基础条件\n- 2027 届应届硕士 / 博士，计算机科学、人工智能等相关专业；\n- 具备以下任一突出成果：顶会论文一作、国际顶级竞赛冠军，或高 Star 开源项目核心维护者。\n2. 系统架构深度\n- 扎实的分布式系统理论基础，深入掌握操作系统内核、网络协议栈、存储引擎底层原理；\n- 精通 Go / Python / Java / Rust 至少一门系统级语言，具备大规模生产级系统的架构设计与性能优化经验；\n- 深入了解后端技术栈（微服务 / API / 消息队列 / 缓存），有云原生（K8s / CI/CD /\nServerless）或安全隔离技术（Docker / Kata / gVisor）经验。\n3. AI Agent 与搜索技术深度\n深入理解大模型技术原理与前沿进展，在以下至少一个方向具备业界领先的深度：\n- 搜索 / 检索 Agent：在多模态检索、跨数据源融合、知识图谱或大规模信息检索方向有深入研究或系统落地；有基于搜索 / 检索 Agent 进行强化学习（search agent RL、tool-use RL、RAG 优化等）的经验者尤佳；\n- Agent 核心组件：主导设计 Memory / RAG / 工具调用等关键组件，有创新性技术方案落地；\n- Agent 协议与互操作：熟悉 MCP / A2A 等协议，有协议层设计、实现或生态贡献经验。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T011"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}