{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "淘宝闪购-C端-AI Agent应用开发专家-北京/上海/杭州",
        "job_level": "专家",AI生成
        "work_category": "全职",AI生成
        "department": "淘宝闪购",
        "location": "北京 / 杭州 / 上海",
        "work_mode": "未披露",AI生成
        "job_category": "技术类-开发"AI生成
    },
    "company": {
        "company_name": "饿了么",
        "company_industry": "即时零售 / 生活服务",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "饿了么相关平台为用户和商户提供生活服务及即时零售服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "我们是淘宝闪购AI2C工程团队，负责把AI能力工程化、把产品形态落到线上、保障交付与稳定性。团队的目标是通过提升闪购Agent的智能化能力提升用户体验\n我们在做一件什么样的事：即时电商Agent。不是给现有App再加一个AI入口，而是让用户跨多个工具/路径完成的购物动作被一个Agent合二为一、显著缩短路径。当前每天的Token消耗量在万亿级别\n我们能给你：\n● 一个真问题：每天百万用户，万亿token的交易类 Agent场景。不是Demo、不是过程指标，是买单过的绝对值\n● 算法+产品+工程三方真协作环境，不是工程团队闭门造车\n● 把你的判断直接变成线上Agent的空间——Context 给够、决策权下放，不做执行手\n● 和团队一起，把\"即时电商Agent\"从命题做成订单\n岗位职责：\n● 搭Agent能力闭环：规划并落地Agent的认知/执行loop——可观测（步骤结构化、产出落盘、可回溯、可局部重跑）、有Before/After的错误率/成功率对比、有真实样本流入流出的漏斗\n● Agent-First 架构：用AI的垂直扩容替代之前的水平扩容，把分散在多人多系统里的上下文收回到一个Agent 里。对Agent架构的性能、成本、稳定性有优化经验\n● 把\"建了什么\"变成\"流过多少\"：不追求\"建了 5 个Harness/1000条评测集\"，而是回答——客户是谁、解决了什么问题、本周流入多少样本、流出多少解、漏斗卡在哪\n● 评测作为一级工程资产：不是上线前临时拉一份评测，而是专人持续维护、每周滚动输入，既驱动模型/能力优化，又反哺场景验证\n● 跨方协作：和算法组、产品组深度对齐，把能力工程化、把形态落线上；关键项目把相关方拉进来一起做成，形成AI Native Team",
        "requirements_text": "必须项：\n● 3 年以上工程研发经验，至少1年LLM Agent方向实战（不是看过、是做过、能说清Before/After）\n● 主导过一个Agent/RAG/Tool-Use闭环的工程落地，能讲清loop的入口在哪、样本怎么流入、卡点在哪\n● 理解\"评测是工程资产\"而非辅助工具，做过评测体系建设或Bad Case治理\n● Java/Python工程能力扎实，能独立完成从架构到上线到稳定性保障全链路\n加分项：\n● 即时零售 / 电商交易域经验（商品、订单、营销、搜索推荐任一）\n● 主导过千问/通义这类大模型在业务侧的工程化接入与放量\n● 有Agent可观测/Trace体系的落地经验\n● 有团队带人或技术Lead经验，能给Context不Control，把人送上loop而不是替人跑\n我们特别看重的几条（团队文化底色）:\n● 需求驱动：先回答\"客户是谁、解决什么\"，再讲\"我建了什么\"\n● 知行合一：对外只输出认知，不输出观点。说出的结论要自己验证过、买过单，而不是看几篇公众号复述",
        "skills": [AI生成
            "Python",
            "Java",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "加分项：",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://talent.ele.me/off-campus/position-detail?positionId=5000014320"
            }
        ]
    },
    "posting": {
        "posting_id": "5000014320",
        "post_date": "2026-08-18",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://talent.ele.me/off-campus/position-detail?positionId=5000014320"
    },
    "fulltext": "淘宝闪购-C端-AI Agent应用开发专家-北京/上海/杭州\n淘宝闪购-C端-AI Agent应用开发专家-北京/上海/杭州\n\n基础信息\n职位类别：技术类-开发\n工作地点：北京 / 杭州 / 上海\n\n职位描述\n我们是淘宝闪购AI2C工程团队，负责把AI能力工程化、把产品形态落到线上、保障交付与稳定性。团队的目标是通过提升闪购Agent的智能化能力提升用户体验\n我们在做一件什么样的事：即时电商Agent。不是给现有App再加一个AI入口，而是让用户跨多个工具/路径完成的购物动作被一个Agent合二为一、显著缩短路径。当前每天的Token消耗量在万亿级别\n我们能给你：\n● 一个真问题：每天百万用户，万亿token的交易类 Agent场景。不是Demo、不是过程指标，是买单过的绝对值\n● 算法+产品+工程三方真协作环境，不是工程团队闭门造车\n● 把你的判断直接变成线上Agent的空间——Context 给够、决策权下放，不做执行手\n● 和团队一起，把\"即时电商Agent\"从命题做成订单\n岗位职责：\n● 搭Agent能力闭环：规划并落地Agent的认知/执行loop——可观测（步骤结构化、产出落盘、可回溯、可局部重跑）、有Before/After的错误率/成功率对比、有真实样本流入流出的漏斗\n● Agent-First 架构：用AI的垂直扩容替代之前的水平扩容，把分散在多人多系统里的上下文收回到一个Agent 里。对Agent架构的性能、成本、稳定性有优化经验\n● 把\"建了什么\"变成\"流过多少\"：不追求\"建了 5 个Harness/1000条评测集\"，而是回答——客户是谁、解决了什么问题、本周流入多少样本、流出多少解、漏斗卡在哪\n● 评测作为一级工程资产：不是上线前临时拉一份评测，而是专人持续维护、每周滚动输入，既驱动模型/能力优化，又反哺场景验证\n● 跨方协作：和算法组、产品组深度对齐，把能力工程化、把形态落线上；关键项目把相关方拉进来一起做成，形成AI Native Team\n\n职位要求\n必须项：\n● 3 年以上工程研发经验，至少1年LLM Agent方向实战（不是看过、是做过、能说清Before/After）\n● 主导过一个Agent/RAG/Tool-Use闭环的工程落地，能讲清loop的入口在哪、样本怎么流入、卡点在哪\n● 理解\"评测是工程资产\"而非辅助工具，做过评测体系建设或Bad Case治理\n● Java/Python工程能力扎实，能独立完成从架构到上线到稳定性保障全链路\n加分项：\n● 即时零售 / 电商交易域经验（商品、订单、营销、搜索推荐任一）\n● 主导过千问/通义这类大模型在业务侧的工程化接入与放量\n● 有Agent可观测/Trace体系的落地经验\n● 有团队带人或技术Lead经验，能给Context不Control，把人送上loop而不是替人跑\n我们特别看重的几条（团队文化底色）:\n● 需求驱动：先回答\"客户是谁、解决什么\"，再讲\"我建了什么\"\n● 知行合一：对外只输出认知，不输出观点。说出的结论要自己验证过、买过单，而不是看几篇公众号复述\n我们是淘宝闪购AI2C工程团队，负责把AI能力工程化、把产品形态落到线上、保障交付与稳定性。团队的目标是通过提升闪购Agent的智能化能力提升用户体验\n我们在做一件什么样的事：即时电商Agent。不是给现有App再加一个AI入口，而是让用户跨多个工具/路径完成的购物动作被一个Agent合二为一、显著缩短路径。当前每天的Token消耗量在万亿级别\n我们能给你：\n● 一个真问题：每天百万用户，万亿token的交易类 Agent场景。不是Demo、不是过程指标，是买单过的绝对值\n● 算法+产品+工程三方真协作环境，不是工程团队闭门造车\n● 把你的判断直接变成线上Agent的空间——Context 给够、决策权下放，不做执行手\n● 和团队一起，把\"即时电商Agent\"从命题做成订单\n岗位职责：\n● 搭Agent能力闭环：规划并落地Agent的认知/执行loop——可观测（步骤结构化、产出落盘、可回溯、可局部重跑）、有Before/After的错误率/成功率对比、有真实样本流入流出的漏斗\n● Agent-First 架构：用AI的垂直扩容替代之前的水平扩容，把分散在多人多系统里的上下文收回到一个Agent 里。对Agent架构的性能、成本、稳定性有优化经验\n● 把\"建了什么\"变成\"流过多少\"：不追求\"建了 5 个Harness/1000条评测集\"，而是回答——客户是谁、解决了什么问题、本周流入多少样本、流出多少解、漏斗卡在哪\n● 评测作为一级工程资产：不是上线前临时拉一份评测，而是专人持续维护、每周滚动输入，既驱动模型/能力优化，又反哺场景验证\n● 跨方协作：和算法组、产品组深度对齐，把能力工程化、把形态落线上；关键项目把相关方拉进来一起做成，形成AI Native Team\n必须项：\n● 3 年以上工程研发经验，至少1年LLM Agent方向实战（不是看过、是做过、能说清Before/After）\n● 主导过一个Agent/RAG/Tool-Use闭环的工程落地，能讲清loop的入口在哪、样本怎么流入、卡点在哪\n● 理解\"评测是工程资产\"而非辅助工具，做过评测体系建设或Bad Case治理\n● Java/Python工程能力扎实，能独立完成从架构到上线到稳定性保障全链路\n加分项：\n● 即时零售 / 电商交易域经验（商品、订单、营销、搜索推荐任一）\n● 主导过千问/通义这类大模型在业务侧的工程化接入与放量\n● 有Agent可观测/Trace体系的落地经验\n● 有团队带人或技术Lead经验，能给Context不Control，把人送上loop而不是替人跑\n我们特别看重的几条（团队文化底色）:\n● 需求驱动：先回答\"客户是谁、解决什么\"，再讲\"我建了什么\"\n● 知行合一：对外只输出认知，不输出观点。说出的结论要自己验证过、买过单，而不是看几篇公众号复述",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}