{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI Engineer - 北京",
        "job_level": "初级",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "北京·西城区·金融街",
        "work_mode": "现场办公",AI生成
        "job_category": "AI应用软件工程师"AI生成
    },
    "company": {
        "company_name": "UMU",
        "company_industry": "企业服务",
        "company_size": "100-499人",
        "company_website": "未披露",
        "company_description": "UMU 是以“效果学习”为导向的企业学习平台。基于学习科学与 AI 技术，UMU 构建了以互动为特色、以效果为衡量的全新智能化学习场景，联合顶尖的培训内容合作伙伴，为企业提供一站式解决方案，实现学习的效果、效率与体验。\nUMU 从创立之初，就对标全球领先企业，参与全球竞争，追求全球卓越。目前，UMU 客户覆盖全球 208 个国家和地区，服务医药、教育、零售、制造、金融等多个行业，满足企业内部学习、生态赋能、客户增长和市场开发等不同场景的需求。UMU是中国软件企业出海的第一名，70%的收入来自全球市场，也是人效领先的公司之一。\n展望未来，UMU 将在效果学习、AI、学习资源等领域持续发力，推动全球范围内更多企业和组织升级学习模式，实现组织生产力和企业绩效的提升。"
    },
    "compensation": {
        "salary_range": {
            "min": 25000,
            "max": 50000,
            "currency": "元",
            "cycle": "月"
        },
        "benefits": "交通补助 | 补充医疗保险 | 五险一金 | 股票期权 | 年终奖 | 带薪年假 | 定期体检 | 零食下午茶"
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "中文",AI生成
        "visa_support": "未披露",
        "responsibilities": "Golang\nJava\nagent\nAI\nGolang服务端开发经验\n大模型\n计算机相关专业\n工程经验\nPython\n关于我们\n我们正在打造一个 以“学习效果提升”为核心目标的企业学习平台。AI 不是功能插件,而是理解学员、引导学习、评估效果的核心能力。在这里,AI 的价值不在“回答多聪明”,而在是否真的帮助人学会、用会。\n你将解决的核心问题是\n如何让 AI 在理解“这个学员是谁、要学什么、卡在哪里”的前提下,持续产生有学习价值的行为。\n你将做什么(核心职责)\n你将作为 AI 能力的技术 Owner,围绕企业学习场景设计和落地 AI 能力:\n1. 设计学习场景下的上下文工程(Context Engineering)\n- 设计 AI 在不同学习阶段所需的上下文结构(学员画像、学习目标、历史表现、知识来源、任务状态等)。\n- 动态组合与裁剪上下文,控制长度、优先级与稳定性。\n- 避免模型因上下文噪音或历史错误而“被带偏”。\n2. 构建面向学习效果的 AI Agent\n- 学习陪练 / 教练 / 反馈型 Agent。\n- 支持多轮对话、阶段性总结、能力递进。\n- 设计人机协作(Human-in-the-loop)流程。\n3. 将上下文工程与 RAG 深度结合\n- 构建学习知识库与检索策略。\n- 决定“什么内容在什么时候进入上下文”。\n- 提高可解释性,减少幻觉。\n4. 与 AI PM 共建学习效果放大机制\n- 定义什么是“学会”、“会用”。\n- 将模糊的学习目标转化为可执行的 AI 行为。\n- 通过上下文设计影响学习路径与反馈方式。\n5. 持续优化效果 × 成本 × 稳定性\n- 模型选择与调用策略。\n- 上下文压缩、摘要、状态管理。\n- 评估输出一致性与可控性。\n我们希望你具备的能力\n1. 必备条件\n- 3 年以上工程或 AI 应用经验。\n- 有 LLM 实际应用落地经验(非 Demo)。\n- 熟悉以下能力中的多项:\n- Context / Prompt Engineering。\n- RAG / 向量检索。\n- 多轮对话 / Agent 设计。\n- 熟练使用 Python。\n- 能从产品与用户角度判断 AI 输出质量。\n2. 加分项\n- 教育 / 知识产品 / 企业 ToB AI 经验。\n- 对学习、认知、行为改变有兴趣。\n- 有 AI 评测或效果分析经验。\n我们不适合的人\n- 只关注模型参数,不关心使用场景。\n- 把上下文当成简单字符串拼接。\n- 不愿参与产品和能力定义。\n你将获得什么\n- 在真实业务中主导 AI 能力设计。\n- 与 AI PM 深度协作,影响产品方向。\n- 面对真实学习场景,而不是实验室问题。\n- 有空间把 Context Engineering 打造成核心技术壁垒。",
        "requirements_text": "我们希望你具备的能力；有 LLM 实际应用落地经验（非 Demo）；熟悉以下能力中的多项：；熟练使用 Python；有 AI 评测或效果分析经验",
        "skills": [AI生成
            "Agent系统构建",
            "Prompt工程",
            "RAG与检索增强",
            "上下文/知识工程",
            "企业服务/SaaS知识",
            "大模型原理与能力边界",
            "教育行业知识",
            "模型/Agent评测体系",
            "结果导向与Ownership",
            "编程与代码实现",
            "金融行业知识"
        ],
        "preferred_qualifications": "2. 加分项",
        "job_highlights": "经验不限 | 本科"
    },
    "contact": {
        "recruiter_name": "代女士",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/bb161338e46c393c0nBz29i9EFBR.html"
            }
        ]
    },
    "posting": {
        "posting_id": "bb161338e46c393c0nBz29i9EFBR",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260915",
        "job_url": "https://www.zhipin.com/job_detail/bb161338e46c393c0nBz29i9EFBR.html"
    },
    "fulltext": "Golang\nJava\nagent\nAI\nGolang服务端开发经验\n大模型\n计算机相关专业\n工程经验\nPython\n关于我们\n我们正在打造一个 以“学习效果提升”为核心目标的企业学习平台。AI 不是功能插件，而是理解学员、引导学习、评估效果的核⼼能⼒。在这⾥，AI 的价值不在“回答多聪明”，而在是否真的帮助人学会、⽤会。\n你将解决的核心问题是\n如何让 AI 在理解“这个学员是谁、要学什么、卡在哪里”的前提下，持续产生有学习价值的行为。\n你将做什么（核心职责）\n你将作为 AI 能力的技术 Owner，围绕企业学习场景设计和落地 AI 能力：\n1. 设计学习场景下的上下文工程（Context Engineering）\n- 设计 AI 在不同学习阶段所需的上下文结构（学员画像、学习目标、历史表现、知识来源、任务状态等）。\n- 动态组合与裁剪上下文，控制长度、优先级与稳定性。\n- 避免模型因上下文噪音或历史错误而“被带偏”。\n2. 构建面向学习效果的 AI Agent\n- 学习陪练 / 教练 / 反馈型 Agent。\n- 支持多轮对话、阶段性总结、能力递进。\n- 设计人机协作（Human-in-the-loop）流程。\n3. 将上下文工程与 RAG 深度结合\n- 构建学习知识库与检索策略。\n- 决定“什么内容在什么时候进入上下文”。\n- 提高可解释性，减少幻觉。\n4. 与 AI PM 共建学习效果放大机制\n- 定义什么是“学会”、“会用”。\n- 将模糊的学习目标转化为可执行的 AI 行为。\n- 通过上下文设计影响学习路径与反馈方式。\n5. 持续优化效果 × 成本 × 稳定性\n- 模型选择与调用策略。\n- 上下文压缩、摘要、状态管理。\n- 评估输出一致性与可控性。\n我们希望你具备的能力\n1. 必备条件\n- 3 年以上工程或 AI 应用经验。\n- 有 LLM 实际应用落地经验（非 Demo）。\n- 熟悉以下能力中的多项：\n- Context / Prompt Engineering。\n- RAG / 向量检索。\n- 多轮对话 / Agent 设计。\n- 熟练使用 Python。\n- 能从产品与用户角度判断 AI 输出质量。\n2. 加分项\n- 教育 / 知识产品 / 企业 ToB AI 经验。\n- 对学习、认知、行为改变有兴趣。\n- 有 AI 评测或效果分析经验。\n我们不适合的人\n- 只关注模型参数，不关心使用场景。\n- 把上下文当成简单字符串拼接。\n- 不愿参与产品和能力定义。\n你将获得什么\n- 在真实业务中主导 AI 能力设计。\n- 与 AI PM 深度协作，影响产品方向。\n- 面对真实学习场景，而不是实验室问题。\n- 有空间把 Context Engineering 打造成核心技术壁垒。"
}