主分类：云基础设施与系统软件研发
辅助：软件测试与质量工程（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": "工程效能工程师-AI与研发基建方向",
"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": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 基于 LLM 的智能质量体系设计： 深入业务场景，利用大语言模型（LLM）对需求文档、技术方案进行语义分析，自动生成测试矩阵与核心用例；设计并实现“AI 质量门禁”，在代码合入前自动进行影响面评估与自动化回归；\n2. 研发下一代 AI Testing Agent： 开发具备自愈能力的 AI Testing Agent，能够模拟真实用户行为进行探索性测试；利用 Agent 技术实现测试脚本的自动维护与修复，解决传统 UI 自动化维护成本高的痛点；\n3. 构建智能化 CI/CD 平台： 设计并开发高可用的持续集成与交付流水线。引入 AI 智能决策模型，实现测试套件的高效并发调度、构建失败的自动根因分析（Auto-Root Cause Analysis）以及发布风险的实时预测；\n4. AIOps 与智能观察力建设： 使用 Python、Go 开发基础设施即代码（IaC）工具。集成 Prometheus、ELK 等技术栈，应用时序预测与异常检测算法，构建具备“语义理解”能力的监控告警系统，实现故障的秒级感知与 Agent 辅助自愈；\n5. LLM 驱动的代码治理与安全： 研发基于 LLM 的静态代码分析插件与安全审计工具。通过 Agent 自动扫描代码漏洞、架构违规及性能隐患，并提供生产级的自动化修复建议（Auto-Fix）；\n6. 研发全生命周期效能度量： 通过数据挖掘技术，沉淀产研全流程数据，构建智能化效能度量体系。利用 AI 挖掘流程瓶颈，通过工具化的手段解决研发过程中的“脏活累活”，极致提升整体交付质量与效率。",
"requirements_text": "1. 工程能力： 扎实的编程功底，精通 Go 或 Python，具备大型分布式系统或研发工具平台的开发经验；\n2. AI/LLM 背景： 熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先；\n3. 自动化/基建： 精通 Docker/K8s 容器化技术，深入理解 CI/CD 原理，有 Jenkins/GitLab CI 深度定制开发经验；\n4. 算法视野： 了解常用的机器学习算法（如时序预测、聚类分析、Isolation Forest 等），能将其应用于日志分析或异常预测场景；\n5. 极客精神： 对提升研发效率有近乎偏执的追求，善于从重复劳动中发现问题并将其转化为工具或平台。",
"skills": [AI生成
"Python",
"Docker",
"机器学习",
"分布式系统",
"模型微调",
"Go",
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "2. AI/LLM 背景： 熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907740055?deptCodes="
}
]
},
"posting": {
"posting_id": "199907740055",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907740055?deptCodes="
},
"fulltext": "工程效能工程师-AI与研发基建方向\n工程效能工程师-AI与研发基建方向\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\n1. 基于 LLM 的智能质量体系设计： 深入业务场景，利用大语言模型（LLM）对需求文档、技术方案进行语义分析，自动生成测试矩阵与核心用例；设计并实现“AI 质量门禁”，在代码合入前自动进行影响面评估与自动化回归；\n2. 研发下一代 AI Testing Agent： 开发具备自愈能力的 AI Testing Agent，能够模拟真实用户行为进行探索性测试；利用 Agent 技术实现测试脚本的自动维护与修复，解决传统 UI 自动化维护成本高的痛点；\n3. 构建智能化 CI/CD 平台： 设计并开发高可用的持续集成与交付流水线。引入 AI 智能决策模型，实现测试套件的高效并发调度、构建失败的自动根因分析（Auto-Root Cause Analysis）以及发布风险的实时预测；\n4. AIOps 与智能观察力建设： 使用 Python、Go 开发基础设施即代码（IaC）工具。集成 Prometheus、ELK 等技术栈，应用时序预测与异常检测算法，构建具备“语义理解”能力的监控告警系统，实现故障的秒级感知与 Agent 辅助自愈；\n5. LLM 驱动的代码治理与安全： 研发基于 LLM 的静态代码分析插件与安全审计工具。通过 Agent 自动扫描代码漏洞、架构违规及性能隐患，并提供生产级的自动化修复建议（Auto-Fix）；\n6. 研发全生命周期效能度量： 通过数据挖掘技术，沉淀产研全流程数据，构建智能化效能度量体系。利用 AI 挖掘流程瓶颈，通过工具化的手段解决研发过程中的“脏活累活”，极致提升整体交付质量与效率。\n\n职位要求\n1. 工程能力： 扎实的编程功底，精通 Go 或 Python，具备大型分布式系统或研发工具平台的开发经验；\n2. AI/LLM 背景： 熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先；\n3. 自动化/基建： 精通 Docker/K8s 容器化技术，深入理解 CI/CD 原理，有 Jenkins/GitLab CI 深度定制开发经验；\n4. 算法视野： 了解常用的机器学习算法（如时序预测、聚类分析、Isolation Forest 等），能将其应用于日志分析或异常预测场景；\n5. 极客精神： 对提升研发效率有近乎偏执的追求，善于从重复劳动中发现问题并将其转化为工具或平台。\n\n在招业务\n阿里云\n1. 基于 LLM 的智能质量体系设计： 深入业务场景，利用大语言模型（LLM）对需求文档、技术方案进行语义分析，自动生成测试矩阵与核心用例；设计并实现“AI 质量门禁”，在代码合入前自动进行影响面评估与自动化回归；\n2. 研发下一代 AI Testing Agent： 开发具备自愈能力的 AI Testing Agent，能够模拟真实用户行为进行探索性测试；利用 Agent 技术实现测试脚本的自动维护与修复，解决传统 UI 自动化维护成本高的痛点；\n3. 构建智能化 CI/CD 平台： 设计并开发高可用的持续集成与交付流水线。引入 AI 智能决策模型，实现测试套件的高效并发调度、构建失败的自动根因分析（Auto-Root Cause Analysis）以及发布风险的实时预测；\n4. AIOps 与智能观察力建设： 使用 Python、Go 开发基础设施即代码（IaC）工具。集成 Prometheus、ELK 等技术栈，应用时序预测与异常检测算法，构建具备“语义理解”能力的监控告警系统，实现故障的秒级感知与 Agent 辅助自愈；\n5. LLM 驱动的代码治理与安全： 研发基于 LLM 的静态代码分析插件与安全审计工具。通过 Agent 自动扫描代码漏洞、架构违规及性能隐患，并提供生产级的自动化修复建议（Auto-Fix）；\n6. 研发全生命周期效能度量： 通过数据挖掘技术，沉淀产研全流程数据，构建智能化效能度量体系。利用 AI 挖掘流程瓶颈，通过工具化的手段解决研发过程中的“脏活累活”，极致提升整体交付质量与效率。\n1. 工程能力： 扎实的编程功底，精通 Go 或 Python，具备大型分布式系统或研发工具平台的开发经验；\n2. AI/LLM 背景： 熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先；\n3. 自动化/基建： 精通 Docker/K8s 容器化技术，深入理解 CI/CD 原理，有 Jenkins/GitLab CI 深度定制开发经验；\n4. 算法视野： 了解常用的机器学习算法（如时序预测、聚类分析、Isolation Forest 等），能将其应用于日志分析或异常预测场景；\n5. 极客精神： 对提升研发效率有近乎偏执的追求，善于从重复劳动中发现问题并将其转化为工具或平台。",
"standard_classification": {
"std_category_code": "T018",
"std_aux_codes": [
"T022"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}