阿里控股-大模型数据工程师-Code/Agentic方向

优缺点分析

角色解读

• 可在阿里大模型数据体系内深耕代码/Agentic 数据工程，向数据架构师或大模型数据负责人发展
• 积累 RLHF 偏好数据、Agent 轨迹采集与评估经验，转向大模型训练/评测或 AI 数据策略岗位
• 随大模型应用扩展，可向智能体平台、代码智能等业务方向延伸
• 负责大模型代码与 Agentic 垂域的数据构造，包括代码语料、工具调用轨迹、多步规划与环境交互数据的采集与生成
• 搭建大规模数据解析、清洗、去重、合成和 ETL 流水线，覆盖 GitHub、代码镜像及内部代码库
• 设计 Agent 轨迹采集沙盒与标注规范，建立轨迹合法性校验、偏好数据构造和质量评估框架
• 通过小规模实验分析数据对模型能力的贡献，支撑预训练、SFT、RLHF 各阶段的数据需求
• 精通分布式数据处理与大规模 ETL 流水线优化，能构建稳定高效的数据管道
• 深入理解代码理解/生成/调试数据特点，以及 Agent 工具调用、规划和多轮交互场景
• 理解预训练、SFT、RLHF 数据需求差异，具备数据与模型效果关联分析能力
• 熟悉数据清洗、去重、合成与质量评估，能设计标注规范和实验验证数据有效性

申请策略

• 投递时明确优先城市（北京/杭州）并了解团队具体办公地
• 关注阿里大模型与 Agent 业务方向，准备能说明数据如何提升模型能力的案例
• 突出大规模 ETL/数据管道项目，量化数据规模、吞吐、成本或稳定性优化成果
• 展示代码数据处理经验，如代码解析、去重、清洗、代码生成/理解数据构造
• 补充 Agent/工具调用/多轮交互相关项目，如轨迹采集、沙盒环境、评测或偏好数据
• 体现对预训练、SFT、RLHF 数据链路的理解，以及数据实验和效果归因经验
• 补强分布式数据处理与数据流水线优化，熟悉 Spark/Flink/Ray 等大规模计算框架
• 学习 Agent 评测、奖励建模和偏好数据构造方法，理解工具调用与轨迹合法性校验

面试指南

• 用“目标-方案-指标-结果”结构回答数据工程项目，先讲清业务目标和数据规模，再说明架构、关键优化和量化收益
• 面对数据与模型效果问题，先拆解数据阶段和任务类型，再给出实验设计、评估指标和归因方法
• 回答 Agent 相关问题时，从环境、轨迹、工具调用、校验和偏好数据闭环展开，体现系统设计能力
• 如何设计一条面向 GitHub/内部代码库的大规模数据清洗、去重和合成流水线？
• 代码数据和 Agentic 轨迹数据各有什么特点，清洗与质量评估难点在哪里？
• 如何搭建 Agent 轨迹采集沙盒，记录工具调用、多步规划和环境交互？
• 预训练、SFT、RLHF 对数据的需求有何差异？如何设计小规模实验验证数据价值？
• 如何构建 Agentic 任务的标注规范、轨迹合法性校验和偏好数据？