阿里巴巴
数据技术及产品部-RL Data 工程师-Coding
数据技术及产品部-RL Data 工程师-Coding
发布于 4 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
Agentic
Dapo
Grpo
Ppo
Reward Modeling
Rubric设计
数据飞轮
Agent轨迹评估
Rl/Post-Training
值不值得投
78综合评分
综合评分 78
大模型核心数据岗，技术极具前沿性与成长空间，薪资竞争力强，但工作强度与交付压力较大。
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
5万
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 2920 个在招 · 其中数据工程 50 个
市场机会
选择面较广
杭州 · 数据工程 · 91 个在招
职位详情
关于这个职位
该职位主要负责大模型强化学习（RL）在代码（Coding）方向的数据端到端生产与质量保障
你需要设计评估体系（Rubric）、构建数据飞轮闭环，并与算法团队协同优化模型性能，助力模型达到业界领先水平
最低要求
具备 RL/Post-Training 研究背景、Applied Scientist 经历，有 Agentic/轨迹评估方面的深度经验
能够将模糊的质量目标编码为可执行、可量化、可扩展的评估标准
熟练的编程能力（Python 为主），能独立完成数据处理脚本、pipeline 开发和自动化工具搭建
能读懂 Agent 轨迹（多轮工具调用、代码执行、搜索检索等），理解 Agentic 系统的行为模式和失败模式
了解 Reward Modeling 基本原理，理解 Reward 信号设计对 RL 训练（PPO/GRPO/DAPO 等）的影响
优秀的书面表达和文档能力，能撰写清晰的 Rubric 规范和技术方案
下设细分方向：
方向 1：移动端开发、全栈Web、前端组件、Node.js BFF、浏览器Agent
方向 2：系统底层、高性能计算、嵌入式、安全、运维
方向 3：企业级后端、微服务、云原生、中间件
方向 4：AI/ML、数据科学、自动化脚本
方向 5：数据分析、ETL、Text-to-SQL Agent
方向 6: 游戏开发
工作职责
端到端负责RL数据（coding 方向）项目：从方案设计、数据有效性验证到规模化生产 ，帮助模型在性能上达到业界SOTA
Rubric 与评估体系设计：将业务目标和模型能力目标抽象为多维度、层级化的评分标准（Rubric），设计权重、评分规则和边界 case 处理策略
持续迭代 Rubric 以覆盖新场景、堵住 reward hacking 路径
RL Data 生产与质量保障：端到端负责 Agentic 场景的数据生产项目，从任务设计、轨迹采样、标注执行到质量验收
构建 QA 框架，对 Grader 输出做一致性校验和失败模式分析，确保进入训练的数据可信
失败模式归纳与数据迭代: 从大量 Trajectory 中归纳 Error Taxonomy，建立失败模式分类体系，将分析结论转化为数据策略调整（任务难度、Reward 信号修正、标注规范更新），形成数据飞轮闭环
协同算法团队闭环：与模型训练/RL算法团队紧密配合，对接 Reward/Grader 需求, 将模型效果反馈翻译为数据改进策略
数据体系设计：负责主导 Code 方向标注规范的制定与持续迭代，覆盖代码生成、代码补全、debug、代码解释、代码审查等多类任务
设计 Agentic 场景下的标注框架，包括 multi-step reasoning、tool use、planning、self-correction 等复杂任务链的拆解与评估标准
基于模型表现与研究进展，持续优化标注指南，确保数据质量与训练目标对齐;
标注团队赋能：为标注员提供技术培训，将复杂的代码和 Agent 概念转化为可操作的标注实践
担任技术难题的终极裁判，解决边界案例和歧义问题
参与标注工具需求设计，提升代码标注效率;
探索更科学的评测指标、更高效的评测方法
AI 洞察
优缺点分析
优点
- 处于大模型与AGI核心赛道，接触业界最前沿的RL和Agent技术
- 依托丰富的数据和算力资源，能做出具有行业影响力的SOTA成果
- 岗位核心度高，数据质量直接决定模型最终表现，业务价值大
- 需要处理大量复杂的Agent轨迹和边界Case，对逻辑严密性和耐心要求极高
- 适合具备AI研究背景、对大模型强化学习有浓厚兴趣，且具备极强逻辑分析与工程落地能力的复合型技术人才
缺点 / 挑战
- RL数据生产与算法团队协同紧密，可能面临较高的项目交付压力和快速迭代节奏
角色解读
- 可向大模型数据专家、AI算法研究员或数据技术团队管理方向发展
- 在AGI时代，掌握RL数据飞轮和Agent评估体系的人才具有极高的行业稀缺性和广阔前景
- 负责大模型强化学习（RL）在代码方向的数据端到端生产，设计评估体系（Rubric）和质量保障框架
- 与算法团队紧密协同，通过失败模式归纳和数据迭代形成数据飞轮，助力模型性能达到业界SOTA
- 具备扎实的Python编程能力，能独立开发数据处理Pipeline和自动化工具
- 深入理解RL/Post-Training原理及Reward Modeling，能读懂并评估复杂的Agent轨迹
- 拥有优秀的文档撰写能力和复杂问题拆解能力，能将模糊目标转化为可量化的评估标准
申请策略
- 提前了解通义千问等模型在Coding和Agent方向的最新进展，准备一些关于如何解决Reward Hacking或提升数据飞轮效率的思考
- 重点突出在RL/Post-Training或Applied Scientist岗位上的实际项目经验
- 展示独立设计评估体系（Rubric）或构建数据Pipeline的成功案例
- 体现对Agent行为模式、失败模式及Reward信号设计的深刻理解
- 深入学习PPO/GRPO/DAPO等主流RL算法原理及其对数据质量的要求
- 提升Python自动化脚本开发能力，熟悉大规模数据处理框架
面试指南
- 采用STAR法则，重点突出“问题定义-方案设计-执行验证-闭环迭代”的过程
- 在回答技术问题时，结合具体的代码或Agent场景，展示对底层原理（如RL算法、Reward设计）的深刻理解
- 请分享一个你主导的RL数据生产或评估体系设计项目，遇到了哪些边界Case，如何解决的？
- 如何理解Reward Hacking？在Rubric设计中如何防止或减少这种现象？
- 面对复杂的Agent轨迹（如多轮工具调用），你如何设计QA框架来确保Grader输出的一致性？
- 请描述一次你将模型效果反馈转化为数据改进策略的经历
- 复习强化学习（特别是RLHF/RLAIF）和Agent系统（如ReAct, Tool use）的核心论文和开源项目
- 准备1-2个自己处理过的最复杂的失败模式（Error Taxonomy）案例
职位点评
薪资福利85
成长发展95
工作生活40
使命价值85
薪资福利
85较高
高阶技术岗，薪资具备较强市场竞争力，但JD未明确披露具体薪资和福利细节。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
95较高
处于大模型RL和Agent核心赛道，技术极具前沿性，能深度参与SOTA模型的数据闭环，个人技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈Python、RL、Post-Training、Agentic、Reward Modeling、PPO、GRPO、DAPO
业务类型ambiguous
工作生活
40较低
JD未提及工作模式和WLB相关信息，且作为大模型核心攻坚岗位，通常面临较高的工作强度和交付压力。
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
85较高
参与大模型底层能力建设，推动AGI和Agent技术发展，具有较高的技术使命感和社会价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs