Alibaba logo
阿里巴巴
瓴羊-AI Agent研发工程师-智能分析

瓴羊-AI Agent研发工程师-智能分析

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.0–5.5万 · AI 参考估算
中级经验
本科
全职员工仅现场办公AI算法
AI算法
Ai Agent
Llm应用工程
Rag

值不值得投

78综合评分

综合评分 78

前沿AI Agent研发岗,技术成长强,企业数据场景明确,办公与WLB信息未披露

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

4.3万

与AI算法中位数基本持平

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 5200 个在招 · 其中AI算法 约 110 个

市场机会

选择面较广

杭州 · AI算法 · 约 130 个在招

职位详情

关于这个职位

该岗位面向企业数据分析场景,负责研发大模型驱动的智能分析 Agent 系统,包括智能问数、智能解读、智能报表等能力

你将参与 Agent 执行框架、语义层、上下文工程、工具路由和评测体系建设,偏 AI 应用工程与后端系统工程结合

最低要求

本科及以上,计算机、软件工程或相关专业,2年以上后端/数据/AI 工程经验,Java 或 Python 至少一门达到熟练水平,具备良好的编码习惯和工程化能力

熟悉 LLM 应用工程:Prompt 工程、Function/Tool Calling、结构化输出、RAG、Embedding 与向量检索、Agent 框架中的一种以上有生产实践
熟悉 Redis / MySQL / Kafka 等中间件
有高并发系统设计经验
熟悉容器化与云原生(K8s)
具备良好的代码结构设计与工程规范意识
复杂问题拆解:主导或参与过有明确指标的技术攻坚,能把模糊的商业需求转化为清晰、可执行、可验证的 Agent 工程链路
有 Codex、Claude Code、Cursor 等编码 Agent 或 Agent 产品的深度使用或研发经验,有敏捷的AI协作技巧

工作职责

负责设计并实现面向数据分析场景的大模型应用整体架构

构建LLM/Semantic layer/Harness/Sandbox的服务框架,支撑智能问数、智能解读、智能报表等核心产品形态
负责构建可扩展的Agent 执行框架,设计任务规划、DAG 编排、Skill/Tool 路由、CodeAgent 沙箱、事实装载与验证裁决等运行时机制,保证复杂分析任务可校验、可恢复、可追溯
围绕语义层、指标体系等BI核心能力建设,包括指标建模、语义契约、资产与知识注册、多粒度召回与重排、多源异构数据源接入和混合分析
负责上下文工程体系建设,同时优化模型调用延迟与成本,设计缓存与结果复用机制,保障企业级 SLA,并建立分析Agent 准确率与质量的评测体系
面向ToB企业数据分析场景,设计并构建可扩展、高可用的 Agent 编排系统,深度整合阿里集团内部数据智能能力与三方生态服务,打造企业级 Data Agent 应用和灵活的开放集成能力

优先资格

熟悉大数据与BI:有过数据分析或相关DataAgent的开发经验,理解 OLAP 引擎、语义层、数据血缘与权限模型

能读懂并优化复杂查询
具备较强的系统工程素养:有基于 LangGraph、OpenAI Agents SDK、Google ADK、Hermes Agent 等主流 Agent 框架构建多 Agent 系统的经验

AI 洞察

优缺点分析

优点

  • 岗位处于大模型 Agent 与企业数据分析结合的前沿方向,技术成长空间较大
  • 工作内容覆盖架构设计、Agent 运行时、语义层、评测体系和多源数据接入,技术栈完整且复杂度高
  • ToB 企业数据分析场景明确,容易沉淀可复用的行业级 Data Agent 能力
  • 加分项涉及 OLAP、语义层、数据血缘、权限模型和主流 Agent 框架,有助于形成稀缺复合能力
  • 需要同时理解大模型应用、后端工程、数据系统和 BI 语义层,技术跨度较大
  • 企业级场景要求可校验、可恢复、可追溯和 SLA 保障,对系统稳定性与工程质量要求高
  • 适合有后端、数据或 AI 工程经验,希望深入 LLM Agent、BI 智能分析和企业级数据智能平台的工程师

缺点 / 挑战

  • Agent 准确率、延迟和成本优化存在持续挑战,需要兼顾产品体验与资源消耗

角色解读

  • 可沿着 AI Agent 应用工程师、LLM 系统架构师、Data Agent 技术负责人方向发展
  • 未来可深入语义层、BI 智能分析、企业数据智能平台或多 Agent 编排系统,形成行业解决方案能力
  • 积累企业级 ToB 场景经验后,也可转向技术专家、架构师或研发管理路线
  • 设计面向企业数据分析的大模型应用架构,搭建智能问数、智能解读、智能报表等 Data Agent 产品能力
  • 构建 Agent 执行框架,包括任务规划、DAG 编排、工具路由、CodeAgent 沙箱、事实装载与验证裁决等运行时机制
  • 建设语义层、指标体系和 BI 核心能力,支持多源异构数据接入、指标建模、召回重排和混合分析
  • 优化模型调用延迟、成本和准确率,建立缓存复用、质量评测和企业级 SLA 保障机制
  • 需要扎实的 Java 或 Python 工程能力,并具备后端、数据或 AI 工程生产经验
  • 需要掌握 LLM 应用工程能力,包括 Prompt、Tool Calling、结构化输出、RAG、Embedding、向量检索和 Agent 框架
  • 需要熟悉 Redis、MySQL、Kafka、Kubernetes 等基础设施,并具备高并发和云原生系统设计经验
  • 需要具备复杂问题拆解能力,能把模糊业务需求转化为可验证的 Agent 工程链路

申请策略

  • 面试前重点准备一个完整的 Agent 工程案例,能讲清需求拆解、架构选型、失败恢复、质量评测和上线效果
  • 关注企业级 Data Agent 的产品形态,理解智能问数、智能报表和智能解读在真实业务中的价值与难点
  • 突出生产环境中的 LLM 应用或 Agent 项目,说明任务规划、工具调用、RAG、结构化输出和评测机制如何落地
  • 强调 Java/Python 工程能力、高并发系统设计、Redis/MySQL/Kafka/K8s 使用经验,以及代码结构和工程规范实践
  • 展示与数据分析、BI、语义层、指标体系、OLAP、数据血缘或权限模型相关的经验
  • 写明你使用 Codex、Claude Code、Cursor、LangGraph、OpenAI Agents SDK 等工具或框架的真实案例和产出
  • 补充多 Agent 编排、DAG 调度、Tool/Skill 路由、沙箱执行和可恢复机制的设计与实现能力
  • 加强对 RAG、Embedding、向量检索、上下文工程、缓存复用和模型质量评测体系的理解

面试指南

  • 架构题按“业务目标—核心模块—关键链路—异常处理—评测指标”展开,避免只讲框架名词
  • 项目题使用 STAR 或“背景/难点/方案/结果/复盘”结构,重点说明生产落地中的取舍
  • 技术深挖题先讲原理,再结合具体场景说明适用条件、风险点和替代方案
  • 如何设计一个面向智能问数的 Agent 执行框架,保证任务可校验、可恢复、可追溯?
  • RAG、Embedding、向量检索和语义层在 Data Agent 中分别承担什么角色?
  • 面对复杂商业需求,你如何拆解为 DAG 编排、工具路由和验证裁决链路?
  • 如何优化大模型调用的延迟、成本,同时保障企业级 SLA?
  • 你如何评测一个分析 Agent 的准确率、稳定性和业务有效性?

职位点评

薪资福利82
成长发展90
工作生活55
使命价值76

薪资福利

82较高

JD未披露薪资与福利信息,但岗位要求大模型应用、Agent框架和高并发系统工程经验,技能门槛较高,通常对薪资动机有较好吸引力。

薪资信号未披露(AI估算:3.0千–5.5万/月)

成长发展

90较高

岗位明确涉及LLM、Agent执行框架、语义层、上下文工程、CodeAgent沙箱和评测体系,技术前沿且成长信号强。JD未提及晋升或培训路径,但技术复杂度本身有利于能力跃迁。

技术前沿前沿/新兴技术
技术栈LLM、Agent、Prompt工程、Function/Tool Calling、结构化输出、RAG、Embedding、向量检索、CodeAgent、LangGraph、OpenAI Agents SDK、Google ADK、Hermes Agent、Kubernetes、Redis、MySQL、Kafka
业务类型ambiguous

工作生活

55较低

JD仅给出杭州地点,未明确远程、混合办公、弹性工时或加班情况,因此生活化动机满足程度无法充分判断。办公模式信息缺失是主要限制。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

76中等

岗位面向ToB企业数据分析场景,打造企业级Data Agent应用,有助于提升企业数据使用效率和智能分析能力。JD未直接表达社会使命或价值导向,意义感主要来自技术应用场景。

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