主分类：搜索推荐与业务决策算法研发
辅助：大模型与生成式算法研发（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": "研究型实习生-算法技术-推荐Agent算法工程师",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "淘天集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类"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": "",
"degree": "基础扎实：计算机/AI相关专业硕士及以上",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 多源异构数据融合：将用户全购物周期的多触点异构行为序列（曝光、点击、加购、转化、Query、对话）视为独特的\"行为模态\"，研究其与文本、图像、商品知识等多模态信息的融合推断方法，突破单域用户数据偏置。\n2. 用户意图理解：利用大模型的推理能力深度挖掘用户行为、偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。\n3. 生成式推荐架构演进：推动推荐架构向生成式召回/预估范式演进，探索基于语义 ID/行为序列/用户意图的生成式建模等技术路线，系统性验证推荐场景下的 Scaling Law 潜力，构建统一的端到端生成式推荐引擎。\n4. 推荐Agent 与多智能体协同：研发推荐 Agent 与多 SubAgent 协同技术（Agentic Reasoning / Planning / Tool-use/PostTrain），基于用户状态动态调整推荐策略（调序、提权、曝光去冗余、主动引导），实现推荐从\"被动响应\"到\"阶段适配的主动服务\"升级。\n5. 数据飞轮体系建设：构建\"协同服务→用户反馈→状态更新→策略进化\"的自增强闭环，研究多触点交互信号的自动回流、偏好标注与奖励信号提取，结合在线学习与持续训练机制，形成越用越懂用户的正向循环与数据壁垒。",
"requirements_text": "1. 基础扎实：计算机/AI相关专业硕士及以上，机器学习/深度学习理论基础深厚。在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先。\n2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练、后训练（SFT / RLHF / DPO / GRPO 等）实战经验者优先。\n3. 前沿视野：对 AI Agent、Multi-Agent 协同、Multi-modal LLM、Generative Retrieval 有深入研究，具备极强的工程落地能力与创新意识。",
"skills": [AI生成
"Python",
"C++",
"PyTorch",
"机器学习",
"深度学习",
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先；2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练、后训练（SFT / RLHF / DPO / GRPO 等）实战经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199909400001?deptCodes="
}
]
},
"posting": {
"posting_id": "199909400001",
"post_date": "2026-09-02",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199909400001?deptCodes="
},
"fulltext": "研究型实习生-算法技术-推荐Agent算法工程师\n研究型实习生-算法技术-推荐Agent算法工程师\n\n基础信息\n毕业起止时间要求：2027-08-31 - 2032-08-31\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. 多源异构数据融合：将用户全购物周期的多触点异构行为序列（曝光、点击、加购、转化、Query、对话）视为独特的\"行为模态\"，研究其与文本、图像、商品知识等多模态信息的融合推断方法，突破单域用户数据偏置。\n2. 用户意图理解：利用大模型的推理能力深度挖掘用户行为、偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。\n3. 生成式推荐架构演进：推动推荐架构向生成式召回/预估范式演进，探索基于语义 ID/行为序列/用户意图的生成式建模等技术路线，系统性验证推荐场景下的 Scaling Law 潜力，构建统一的端到端生成式推荐引擎。\n4. 推荐Agent 与多智能体协同：研发推荐 Agent 与多 SubAgent 协同技术（Agentic Reasoning / Planning / Tool-use/PostTrain），基于用户状态动态调整推荐策略（调序、提权、曝光去冗余、主动引导），实现推荐从\"被动响应\"到\"阶段适配的主动服务\"升级。\n5. 数据飞轮体系建设：构建\"协同服务→用户反馈→状态更新→策略进化\"的自增强闭环，研究多触点交互信号的自动回流、偏好标注与奖励信号提取，结合在线学习与持续训练机制，形成越用越懂用户的正向循环与数据壁垒。\n\n职位要求\n1. 基础扎实：计算机/AI相关专业硕士及以上，机器学习/深度学习理论基础深厚。在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先。\n2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练、后训练（SFT / RLHF / DPO / GRPO 等）实战经验者优先。\n3. 前沿视野：对 AI Agent、Multi-Agent 协同、Multi-modal LLM、Generative Retrieval 有深入研究，具备极强的工程落地能力与创新意识。\n\n在招业务\n淘天集团\n1. 多源异构数据融合：将用户全购物周期的多触点异构行为序列（曝光、点击、加购、转化、Query、对话）视为独特的\"行为模态\"，研究其与文本、图像、商品知识等多模态信息的融合推断方法，突破单域用户数据偏置。\n2. 用户意图理解：利用大模型的推理能力深度挖掘用户行为、偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。\n3. 生成式推荐架构演进：推动推荐架构向生成式召回/预估范式演进，探索基于语义 ID/行为序列/用户意图的生成式建模等技术路线，系统性验证推荐场景下的 Scaling Law 潜力，构建统一的端到端生成式推荐引擎。\n4. 推荐Agent 与多智能体协同：研发推荐 Agent 与多 SubAgent 协同技术（Agentic Reasoning / Planning / Tool-use/PostTrain），基于用户状态动态调整推荐策略（调序、提权、曝光去冗余、主动引导），实现推荐从\"被动响应\"到\"阶段适配的主动服务\"升级。\n5. 数据飞轮体系建设：构建\"协同服务→用户反馈→状态更新→策略进化\"的自增强闭环，研究多触点交互信号的自动回流、偏好标注与奖励信号提取，结合在线学习与持续训练机制，形成越用越懂用户的正向循环与数据壁垒。\n1. 基础扎实：计算机/AI相关专业硕士及以上，机器学习/深度学习理论基础深厚。在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先。\n2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练、后训练（SFT / RLHF / DPO / GRPO 等）实战经验者优先。\n3. 前沿视野：对 AI Agent、Multi-Agent 协同、Multi-modal LLM、Generative Retrieval 有深入研究，具备极强的工程落地能力与创新意识。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}