阿里巴巴
企业智能事业部-AI数据研发专家-数据平台
企业智能事业部-AI数据研发专家-数据平台
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Ai评测
Dataops
Hudi
Maxcompute
Rag
Sql
大模型
数据治理
值不值得投
75综合评分
综合评分 75
技术前沿、挑战大、薪资优厚，但工作强度可能较高，适合追求技术成长的资深专家。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
55K
比数据工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2090 个在招 · 其中数据工程 27 个
市场机会
选择面较广
杭州 · 数据工程 · 69 个在招
职位详情
关于这个职位
这是一个在阿里巴巴企业智能事业部的高级技术岗位，专注于将AI技术与企业管理场景（如HR、财务、办公）深度融合
你将负责构建数据智能体系，主导大模型评测、数据资产建设、DataOps工程体系以及AI应用的全链路工程化落地，推动Data + AI在企业管理领域的创新
该职位需要深厚的技术功底和业务洞察力，是技术专家型岗位
最低要求
计算机科学、人工智能、数据科学、信息管理或相关专业硕士及以上学历
具备至少AI算法应用或AI工程化能力一项
年以上大数据/AI相关研发经验，其中至少2年聚焦于企业级数据平台、AI应用或大模型数据工程化项目
具备扎实的数据工程能力，精通SQL，熟练掌握Python等至少一门开发语言，熟悉主流大数据技术栈（如Spark、Flink、Kafka、Hudi/Iceberg）及云数据仓库（如MaxCompute、Hadoop等）
深入理解大模型技术原理，包括预训练、微调、推理等，熟悉主流LLM框架和应用范式（如RAG、Agent等），有实际支持NLP、多模态或AI项目的经验
对企业经营管理业务有敏锐洞察力，熟悉HR、财务、法务或协同办公等至少一个领域的企业数据逻辑与业务痛点
具备优秀的系统设计能力与工程落地经验，能独立完成从需求分析到架构设计、开发交付的全过程
具备扎实的AI工程能力，熟悉大模型应用到生产部署的全流程，能够独立完成Prompt工程、RAG链路设计、Agent任务编排、模型服务封装及线上稳定性治理
具备AI系统性能优化经验，能够针对推理延迟、吞吐、资源利用率、上下文窗口、检索效率、缓存命中率及调用成本进行系统性分析与优化
强烈的技术热情与自驱力，对Data+AI技术前沿保持敏锐洞察，具备出色的跨团队沟通、协调与影响力
工作职责
围绕HR、财务、办公等企业核心业务流程，探索端到端的Data + AI解决方案并推动产品化落地
主导构建面向企业场景的大模型/多模态模型评估体系，设计覆盖准确性、合规性、可解释性等维度的自动化评测平台，建立“评测-反馈-优化”闭环机制
负责企业核心业务域的AI数据化建设，构建高质量、结构化、可复用的数据资产与特征库，支撑AI场景的模型微调与应用
主导推动AI数据开发提效，建设DataOps工程体系及工具链，显著缩短从需求到上线的周期，提升数据质量、稳定性与研发效率
持续跟踪及探索Data + AI方向的行业进展（如Data Agent、AIOps、湖仓一体智能优化等），主动开展技术预研与原型验证，推动先进技术在公司中的适配与规模化应用
主导AI应用的工程化落地，建设从Prompt/RAG/Agent编排、服务部署、在线监控到持续迭代的全链路AI工程体系，保障AI能力可交付、可观测、可扩展、可运维
负责设计并实现面向企业场景的AI服务架构，包括模型推理加速、缓存机制、向量检索、上下文管理、工具调用编排等核心能力，支撑复杂业务场景下的高并发、低延迟与高可用
优先资格
主导或深度参与过企业级AI知识库、智能问答、风险预警、自动化流程等场景的落地项目
有大模型评测体系、AI研发提效经验
熟悉Feature Store、向量数据库、RAG架构或AI Agent框架
在ACL、KDD、SIGMOD、VLDB、NeurIPS等顶会发表过与Data + AI相关论文
有大型互联网公司企业服务/中台数据体系建设背景者优先
AI 洞察
优缺点分析
优点
- 平台优势：阿里巴巴作为行业巨头，拥有丰富的业务场景和海量数据，为技术实践提供了绝佳的舞台
- 成长空间：企业智能事业部是集团重点投入方向，个人发展空间和晋升机会较大
- 技术深度要求高：需要同时具备数据工程、AI算法和AI工程化能力，对综合能力要求很高
- 工作强度可能较大：作为核心业务部门，项目节奏可能较快，需要较强的抗压能力
- 适合具备5年以上经验，对Data+AI充满热情，具备扎实技术功底和业务洞察力，希望在大型平台推动技术落地的资深技术专家
缺点 / 挑战
- 技术前沿：岗位聚焦Data+AI、大模型等前沿技术，能接触到业界顶尖的技术挑战和解决方案
- 业务复杂度高：需要深入理解企业经营管理业务，对业务洞察力有较高要求
角色解读
- 在阿里体系内，可以成长为AI数据平台的技术专家或架构师，负责更核心的技术方向
- 可以横向拓展到业务领域，成为懂业务的技术专家，主导企业级AI解决方案的落地
- 有机会晋升为技术管理岗，带领团队负责整个数据智能体系或AI平台的建设
- 负责构建企业级AI数据平台，围绕HR、财务、办公等核心业务场景，探索并落地端到端的Data+AI解决方案
- 主导大模型评测体系的建设，设计自动化评测平台，确保AI应用的准确性、合规性和可解释性
- 负责AI数据资产建设，构建高质量、结构化的数据资产与知识库，支撑模型微调和应用
- 推动AI应用工程化落地，包括RAG/Agent编排、模型服务化部署、性能优化和线上稳定性治理
- 扎实的数据工程能力，精通SQL和Python，熟悉Spark、Flink等主流大数据技术栈
- 深入理解大模型技术原理，熟悉RAG、Agent等主流LLM应用范式，有实际项目经验
- 具备AI系统性能优化经验，能对推理延迟、吞吐量、缓存命中率等进行系统性分析
- 优秀的系统设计能力和工程落地能力，能独立完成从需求分析到架构设计的全过程
申请策略
- 深入了解阿里巴巴企业智能事业部的业务方向和技术布局，在面试中展现对业务的思考
- 准备1-2个能体现你技术深度和业务洞察力的项目案例，用STAR原则清晰阐述
- 重点突出大模型应用项目经验，特别是RAG、Agent、模型微调等方向的落地案例
- 强调数据工程能力，展示在Spark、Flink等大数据技术栈上的项目实践和成果
- 突出AI工程化能力，如模型部署、性能优化、稳定性治理等，用具体数据量化成果
- 体现业务理解能力，展示在HR、财务或办公等领域的项目经验，说明如何用技术解决业务痛点
- 系统梳理大模型技术栈，包括RAG、Agent、模型评测等，并动手实践
- 深入学习DataOps理念和工具链，了解如何提升AI数据开发效率
面试指南
- STAR法则：清晰阐述项目背景、任务、行动和结果，突出个人贡献和量化成果
- 技术深度+业务价值：在回答技术问题时，结合业务场景说明技术选型和方案设计的合理性
- 结构化表达：先给出结论，再分点阐述，最后总结，体现清晰的逻辑思维
- 请详细描述你主导过的一个大模型应用项目，包括技术选型、架构设计、遇到的挑战和解决方案
- 如何设计一个面向企业场景的大模型评测体系？你会考虑哪些维度和指标？
- 在构建RAG系统时，如何优化检索效率和回答准确性？请谈谈你的思路
- 如何理解DataOps？在AI数据开发中，如何实现数据质量和研发效率的提升？
- 请举例说明你如何将一项前沿技术（如Data Agent）落地到实际业务中
职位点评
薪资福利80
成长发展90
工作生活50
使命价值70
薪资福利
80较高
阿里巴巴作为行业头部企业，薪资待遇和福利体系在市场中具有较强竞争力，但JD中未明确具体薪资范围。
薪资信号未披露（AI估算：40K-70K/月）
成长发展
90较高
该岗位深度聚焦Data+AI前沿技术，涉及大模型评测、RAG、Agent等，技术挑战大，成长空间广阔。
技术前沿前沿/新兴技术
技术栈大模型、RAG、Agent、DataOps、AIOps、向量检索、模型评测
业务类型profit_center
工作生活
50较低
JD中未提及具体工作模式，但作为大型互联网公司核心部门，工作节奏可能较快，弹性办公的可能性较低。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
该岗位致力于推动企业数字化和智能化转型，通过AI技术提升企业管理效率，具有一定的社会价值。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs