主分类：大模型与生成式算法研发
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": "千问事业部-MOS 实验室-AI Agent 算法专家（任务助理方向）-北京/杭州/广州",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京 / 杭州 / 广州",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "夸克",
"company_industry": "互联网 / 人工智能应用",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "夸克提供AI搜索等人工智能应用服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：构建具备专业深度与进化能力的智能体\n1. Agent 架构设计与演进： 负责复杂任务 Agent 的底层框架设计，深耕多 Agent 协作（Multi-Agent Orchestration）架构，解决多智能体间的任务拆解、协同博弈及长时记忆与上下文管理等核心难题。\n2. 核心算法与自我进化： 研发 Agentic RL（强化学习） 算法，通过过程奖励建模优化决策路径；构建 Agent 自我进化机制（如 Self-reflection、持续学习），使 Agent 能通过任务反馈自主迭代执行策略。\n3. 垂直领域专业化建设： 负责 Agent 在 AI 办公、财经、学术等深度垂直场景的能力落地。利用大模型技术实现复杂文档处理、专业数据分析及跨领域逻辑推理，打造行业顶尖的专家级 Agent。\n4. 工具链集成与效果闭环： 驱动搜索、浏览器自动化及各类办公工具的深度集成；建立科学的 AI 效果评测体系，通过数据驱动算法优化，确保任务执行的准确率与确定性。\n职级可看P6-P8",
"requirements_text": "任职要求：深耕底层原理，具备实战视野\n我们寻找在 Agent 领域有深度思考的算法专家，你只需要具备以下部分经验即可：\n1. 架构与原理深厚： 深刻理解 Agent 的底层逻辑（规划、记忆、工具调用），对 多 Agent 框架（Multi-Agent Framework） 的设计模式、通信机制及协作策略有丰富的实战或研究经验。\n2. 多场景实战背景： 在 AI 办公（如自动化流程、PPT/Excel 助手）、财经或学术 等垂直领域有深度的算法落地经验，能处理复杂、专业化的行业逻辑。\n3. 大模型与强化学习背景： 熟悉大模型微调技术，有利用 Agentic RL（如 PPO/DPO/Q-learning） 优化模型决策、提升长路径任务达成率的成功案例。\n4. 工具与环境掌控力： 熟悉浏览器自动化、搜索增强、或各类办公插件的集成原理，能够解决 Agent 在真实环境中的工程挑战。\n5. 优秀的底层思维： 不迷信具体框架，能从第一性原理出发解决复杂问题，具备扎实的编程功底（Python/C++ 等）和算法实现能力。",
"skills": [AI生成
"Python",
"C++",
"Excel",
"强化学习",
"模型微调",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.quark.cn/off-campus/position-detail?positionId=7000026601"
}
]
},
"posting": {
"posting_id": "7000026601",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.quark.cn/off-campus/position-detail?positionId=7000026601"
},
"fulltext": "千问事业部-MOS 实验室-AI Agent 算法专家（任务助理方向）-北京/杭州/广州\n千问事业部-MOS 实验室-AI Agent 算法专家（任务助理方向）-北京/杭州/广州\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京 / 杭州 / 广州\n\n职位描述\n关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：构建具备专业深度与进化能力的智能体\n1. Agent 架构设计与演进： 负责复杂任务 Agent 的底层框架设计，深耕多 Agent 协作（Multi-Agent Orchestration）架构，解决多智能体间的任务拆解、协同博弈及长时记忆与上下文管理等核心难题。\n2. 核心算法与自我进化： 研发 Agentic RL（强化学习） 算法，通过过程奖励建模优化决策路径；构建 Agent 自我进化机制（如 Self-reflection、持续学习），使 Agent 能通过任务反馈自主迭代执行策略。\n3. 垂直领域专业化建设： 负责 Agent 在 AI 办公、财经、学术等深度垂直场景的能力落地。利用大模型技术实现复杂文档处理、专业数据分析及跨领域逻辑推理，打造行业顶尖的专家级 Agent。\n4. 工具链集成与效果闭环： 驱动搜索、浏览器自动化及各类办公工具的深度集成；建立科学的 AI 效果评测体系，通过数据驱动算法优化，确保任务执行的准确率与确定性。\n职级可看P6-P8\n\n职位要求\n任职要求：深耕底层原理，具备实战视野\n我们寻找在 Agent 领域有深度思考的算法专家，你只需要具备以下部分经验即可：\n1. 架构与原理深厚： 深刻理解 Agent 的底层逻辑（规划、记忆、工具调用），对 多 Agent 框架（Multi-Agent Framework） 的设计模式、通信机制及协作策略有丰富的实战或研究经验。\n2. 多场景实战背景： 在 AI 办公（如自动化流程、PPT/Excel 助手）、财经或学术 等垂直领域有深度的算法落地经验，能处理复杂、专业化的行业逻辑。\n3. 大模型与强化学习背景： 熟悉大模型微调技术，有利用 Agentic RL（如 PPO/DPO/Q-learning） 优化模型决策、提升长路径任务达成率的成功案例。\n4. 工具与环境掌控力： 熟悉浏览器自动化、搜索增强、或各类办公插件的集成原理，能够解决 Agent 在真实环境中的工程挑战。\n5. 优秀的底层思维： 不迷信具体框架，能从第一性原理出发解决复杂问题，具备扎实的编程功底（Python/C++ 等）和算法实现能力。\n关于我们：\nMOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。\n实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。\n岗位职责：构建具备专业深度与进化能力的智能体\n1. Agent 架构设计与演进： 负责复杂任务 Agent 的底层框架设计，深耕多 Agent 协作（Multi-Agent Orchestration）架构，解决多智能体间的任务拆解、协同博弈及长时记忆与上下文管理等核心难题。\n2. 核心算法与自我进化： 研发 Agentic RL（强化学习） 算法，通过过程奖励建模优化决策路径；构建 Agent 自我进化机制（如 Self-reflection、持续学习），使 Agent 能通过任务反馈自主迭代执行策略。\n3. 垂直领域专业化建设： 负责 Agent 在 AI 办公、财经、学术等深度垂直场景的能力落地。利用大模型技术实现复杂文档处理、专业数据分析及跨领域逻辑推理，打造行业顶尖的专家级 Agent。\n4. 工具链集成与效果闭环： 驱动搜索、浏览器自动化及各类办公工具的深度集成；建立科学的 AI 效果评测体系，通过数据驱动算法优化，确保任务执行的准确率与确定性。\n职级可看P6-P8\n任职要求：深耕底层原理，具备实战视野\n我们寻找在 Agent 领域有深度思考的算法专家，你只需要具备以下部分经验即可：\n1. 架构与原理深厚： 深刻理解 Agent 的底层逻辑（规划、记忆、工具调用），对 多 Agent 框架（Multi-Agent Framework） 的设计模式、通信机制及协作策略有丰富的实战或研究经验。\n2. 多场景实战背景： 在 AI 办公（如自动化流程、PPT/Excel 助手）、财经或学术 等垂直领域有深度的算法落地经验，能处理复杂、专业化的行业逻辑。\n3. 大模型与强化学习背景： 熟悉大模型微调技术，有利用 Agentic RL（如 PPO/DPO/Q-learning） 优化模型决策、提升长路径任务达成率的成功案例。\n4. 工具与环境掌控力： 熟悉浏览器自动化、搜索增强、或各类办公插件的集成原理，能够解决 Agent 在真实环境中的工程挑战。\n5. 优秀的底层思维： 不迷信具体框架，能从第一性原理出发解决复杂问题，具备扎实的编程功底（Python/C++ 等）和算法实现能力。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}