阿里巴巴
阿里云智能-应用研发专家（金融智能体）-（新金融行业线）北京/杭州
阿里云智能-应用研发专家（金融智能体）-（新金融行业线）北京/杭州
发布于 大约 15 小时前普通员工/个人贡献者
北京市 / 杭州市
高级经验
全职员工
仅现场办公
本科
后端开发
Go
Llm
Mcp
Rag
向量数据库
金融科技
AI 估算 · 50k–80k
阿里云专家级岗位，金融行业线，技术前沿，薪资竞争力强，通常16薪。
职位详情
关于这个职位
作为阿里云智能的应用研发专家，您将专注于金融智能体核心架构的设计与落地，包括长程智能体系统、Agent运行时与编排引擎、上下文工程与记忆系统等
您将参与构建生产级多智能体协作平台，并确保金融级SLA与合规要求
该职位要求深厚的技术功底和对AI Agent前沿的深刻理解，适合渴望在金融科技领域深耕的技术专家
最低要求
年以上开发经验，至少熟练掌握一门主力语言（Java/Python/Go/Rust），具备扎实的系统编程与工程化能力
理解 LLM 推理链路与 Agent 交互范式（ReAct、Plan-and-Solve、Reflection），能设计可靠的多步工具调用与错误恢复机制
熟悉向量数据库与检索/排序链路，有 RAG 系统或 Agent 记忆系统端到端设计经验
具备清晰的系统分层与抽象能力，能从业务问题出发进行架构拆解，而非仅执行单点需求
是 AI Agent 产品（Claude Code、Cursor、ChatGPT、Manus 等）的深度用户，对主流 Agent 的能力边界与交互范式有切身体感
工作职责
Long-Horizon Agent 核心架构：设计并落地面向金融场景的长程智能体系统，涵盖多步推理（CoT/ToT）、计划-执行-验证-重规划循环、跨会话状态持久化与经验累积，使智能体能够自主完成数小时乃至数天跨度的复杂金融业务任务
Agent 运行时与编排引擎：构建 Agent Harness 层——支持 Agent Loop（ReAct/Reflection 循环）与 Graph-Native 有状态图编排（Nodes/Edges/Cycles、条件路由）两种范式，内置持久化层实现断点恢复、Human-on-the-loop 审批与轨迹回溯
设计 Agent 沙箱与隔离执行环境
支撑生产级多智能体协作与大规模并发弹性伸缩
上下文工程与记忆系统：设计工作上下文管理（压缩、摘要、窗口调度）与持久化记忆架构（向量检索、结构化经验存储），解决 "Lost in the Middle" 退化和跨 Session 状态断裂问题，保障长程任务执行质量
工具生态与 MCP 协议集成：设计 Tool-Use 框架与 Model Context Protocol 接入层，实现金融领域工具（行情、研报、合规检查、交易执行等）的标准化注册、动态发现与安全调用
定义清晰的 SDK/API 接口供客户侧二次开发与生态扩展
Agent 评测与可观测：构建 Agent 评测体系——覆盖规划能力、工具调用可靠性、多轮交互一致性、长程记忆连续性等核心维度
建设 Agent 全链路 Tracing 与运行时可观测平台，支撑快速定位和修复 Agent 行为异常
新一代知识库（知识编译）：设计以 LLM 为编译器的智能知识库架构——摄入即整合，替代传统 RAG 的"查询时拼凑"模式，实现知识复利与持续增量更新，服务金融研报、合规文件等高密度知识场景
训推一体与模型服务：参与金融领域模型的微调、评测与推理服务建设，关注 Agentic RL 在金融任务上的应用，推动模型能力内化
金融级稳定性与合规：负责金融级 SLA 保障体系建设（容灾、降级、灰度、熔断），满足金融客户对高可用、数据安全与监管合规的严格要求
优先资格
有 Agent Harness / Runtime 系统设计与落地经验——包括编排引擎、沙箱隔离、状态持久化、容错重试、Multi-Agent 协作中的任一方向
熟悉 Model Context Protocol (MCP)、OpenAI Function Calling 或类似工具协议标准，有 Agent 工具生态或 SDK 设计经验
有 Agent 评测体系建设经验，能设计覆盖规划、工具调用、记忆连续性等维度的自动化评测流程
有模型微调/RLHF/Agentic RL 实践经验，理解如何将 Agent 行为能力内化到模型权重中
有 ToB 产品工程化交付经验，理解金融行业合规与专有云部署诉求
关注 AI Agent 前沿进展（Self-Evolution、Cross-task Experience Accumulation、Runtime Harness 设计），有论文复现或开源贡献
AI 洞察
优缺点分析
优点
- 阿里巴巴平台资源丰富，金融行业客户场景多样，能积累行业经验
- 薪资福利优厚，股票期权等激励，职业发展路径清晰
- 跨部门协作频繁，需要较强的沟通和协调能力
- 适合对 AI Agent 技术有浓厚兴趣，具备扎实系统设计能力，能适应高强度工作，并希望在金融科技领域深耕的技术专家
缺点 / 挑战
- 处于 AI Agent 技术前沿，参与核心架构设计，技术挑战大，成长空间广阔
- 技术难度高，需要掌握多种前沿技术，持续学习压力大
- 金融行业对稳定性和合规要求极高，工作压力较大
角色解读
- 在阿里云智能平台，可向技术专家或架构师方向发展，主导金融智能体核心架构
- 有机会深入 Agent 前沿技术，如 Self-Evolution、Agentic RL，成为领域专家
- 可转向技术管理岗位，带领团队负责金融行业解决方案的研发
- 设计并实现面向金融场景的长程智能体系统，包括多步推理、计划-执行-验证循环和跨会话状态持久化
- 构建 Agent 运行时与编排引擎，支持 ReAct/Reflection 循环和 Graph-Native 编排，并实现沙箱隔离和断点恢复
- 开发上下文工程与记忆系统，解决长程任务中的上下文丢失和状态断裂问题
- 集成金融领域工具，通过 MCP 协议实现标准化接入，并参与模型微调和推理服务建设
- 扎实的编程能力，精通 Java/Python/Go/Rust 至少一种，具备系统设计和工程化能力
- 深入理解 LLM 推理链路和 Agent 交互范式，如 ReAct、Plan-and-Solve、Reflection
- 熟悉向量数据库和 RAG 系统设计，具备端到端经验
- 具备架构拆解能力，能从业务问题出发进行系统分层和抽象
申请策略
- 关注阿里云智能的金融行业解决方案，了解业务场景
- 准备展示个人对 Agent 产品的深度使用案例，体现切身体感
- 突出 Agent 系统设计经验，如 RAG、Agent 记忆、工具调用等
- 展示系统架构能力，包括分层设计、高可用、容错等
- 强调对 LLM 和 Agent 范式的理解，如 ReAct、Reflection
- 如有金融行业项目经验，务必突出
- 深入学习 MCP 协议和 Agent 编排框架，如 LangGraph、AutoGen
- 实践 Agent 评测和可观测性工具，如 LangSmith、Traceloop
面试指南
- 结合项目经验，从架构设计、技术选型、挑战和解决方案入手
- 强调系统分层和抽象，展示架构思维
- 使用 STAR 法则回答行为问题，突出个人贡献
- 如何设计一个支持长程任务和断点恢复的 Agent 系统？
- 描述你如何解决 RAG 中的 'Lost in the Middle' 问题？
- 你如何评估一个 Agent 的可靠性？请设计评测指标
- 谈谈你对 MCP 协议的理解，以及如何集成金融工具？
- 如何保证金融级 SLA，如容灾和降级？
职位点评
77
综合评分
技术前沿、平台强大、薪资优厚，但工作强度可能较高。
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。
更适合这类人
适合追求技术成长和前沿挑战，对工作生活平衡要求不高的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展95
工作生活50
使命价值70
薪资福利
80较高
薪资水平较高，福利完善，但具体薪资未披露，需面议。
薪资信号未披露（AI估算：50K-80K/月）
成长发展
95较高
技术前沿，涉及 Agentic AI 多个方向，成长空间大，且公司提供平台支持。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、MCP、向量数据库、Agentic RL
业务类型profit_center
工作生活
50较低
工作地点在北京/杭州，但未提及弹性办公或远程，可能现场办公，工作强度可能较高。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
金融行业智能化有社会价值，但 JD 未明确使命导向，行业增长稳定。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs