阿里巴巴
阿里云智能-高级算法工程师-智能运维-杭州
阿里云智能-高级算法工程师-智能运维-杭州
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Aiops
Llm
Prompt Engineering
Rag
推理优化
模型微调
系统架构
值不值得投
79综合评分
综合评分 79
聚焦LLM与Agent前沿技术落地，业务导向强，技术成长空间大，但工作模式与强度需面试确认。
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
5.0万
与机器学习工程中位数基本持平
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 3760 个在招 · 其中机器学习工程 约 210 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 300 个在招
职位详情
关于这个职位
负责将大语言模型（LLM）与Agent技术应用于阿里云智能运维场景，完成从问题定义、技术建模到生产级系统落地
主要工作包括设计任务规划、工具调用及多Agent协作架构，优化提示工程、RAG与模型推理，并建立自动化评测体系以持续提升业务效果与系统稳定性
最低要求
计算机、人工智能、软件工程或相关专业，本科及以上学历
具有3年以上算法或 AI 应用研发经验，具备复杂系统从方案设计到生产落地的完整经历
理解 Transformer 及大模型训练、对齐和推理的基本原理，熟悉提示工程、RAG、模型路由、结构化输出等常用技术，能够分析模型能力边界，并在效果、时延、成本和稳定性之间做出合理取舍
至少有一个真实 Agent 项目的核心研发或技术负责人经历，熟悉 ReAct、Plan-and-Execute、工具调用、工作流和人机协同等常见模式
能够说明个人贡献、关键技术决策、任务成功率、失败类型、稳定性和业务收益，而不仅是完成 Demo 或框架调用
有上下文工程（Context Engineering）的实际经验，能够说明如何处理上下文选择与压缩、检索、状态持久化、长期与短期记忆、会话隔离和 Token 预算，并理解不同方案在准确性、时延和成本上的权衡
具备扎实的 Python 编程、算法和生产工程能力，熟悉至少一种主流深度学习或大模型技术栈，能够独立完成数据处理、模型或 Agent 服务开发、评测和线上问题诊断
具备优秀的问题抽象、分析建模与跨团队协作能力，能够快速理解云服务与运维问题，在需求不完整、技术快速变化的环境中验证假设，推动方案形成可量化的业务闭环
工作职责
深入阿里云基础设施和运维与运营场景，识别适合由 LLM 和 Agent 解决的问题，完成问题定义、数据分析、技术建模、方案设计及规模化落地，并对实际业务效果负责
设计和研发生产级 Agent 系统，包括任务规划与分解、工具调用、状态管理、上下文工程、长期与短期记忆、反思与纠错、人机协同、多 Agent 协作，以及长周期任务的中断恢复与持续执行
研发大模型应用核心能力，围绕提示工程、RAG、模型路由、结构化生成、微调和推理优化进行技术选型
能够根据场景判断何时使用工作流、Agent、检索增强或模型训练，而不是简单堆叠技术组件
建立 Agent 评测与持续优化体系，构建覆盖任务成功率、答案正确性、工具调用准确率、端到端时延、成本、鲁棒性和安全性的评测集与指标，结合线上反馈和失败案例推动策略、模型及系统迭代
跟踪 LLM、Agent、推理优化及智能运维方向的最新进展，结合真实业务约束完成技术判断、原型验证和工程转化
AI 洞察
优缺点分析
优点
- 直接参与LLM与Agent技术在超大规模云基础设施中的落地，技术栈处于行业绝对前沿
- 拥有海量真实运维数据与复杂业务场景支撑，极易产出高影响力的技术成果与专利
- 背靠头部云计算平台，工程规范成熟，能获得顶尖的技术导师资源与跨部门协作机会
- 生产级Agent落地涉及复杂的稳定性、成本与延迟权衡，调试与评测体系搭建难度大
- 业务目标导向明确，需在需求模糊与技术不确定性中快速推进可量化闭环，抗压能力要求高
- 适合具备扎实AI算法基础与系统工程经验，渴望在前沿技术落地中承担核心研发角色，并能适应快节奏技术迭代的开发者
缺点 / 挑战
- 技术迭代极快，需持续跟进LLM生态变化并快速验证新方案，学习压力与认知负荷较高
角色解读
- 纵向深耕：向首席AI架构师或领域技术专家发展，主导集团级大模型运维平台建设与标准制定
- 横向拓展：转向AI产品技术负责人或技术管理岗，统筹算法研发、工程落地与业务目标的对齐
- 行业影响：积累前沿Agent落地方法论，成为智能运维与LLM应用交叉领域的知名技术布道者
- 将LLM与Agent技术引入云基础设施运维场景，解决传统规则引擎难以处理的复杂故障定位与自动化响应问题
- 设计并落地生产级Agent架构，涵盖任务拆解、工具调用、记忆管理与多智能体协作机制
- 搭建完整的Agent评测与持续优化闭环，通过线上反馈驱动模型策略、系统架构与推理效率的迭代
- 精通Transformer架构与大模型训练/对齐/推理原理，熟练掌握Prompt Engineering、RAG与模型路由技术
- 具备真实Agent项目核心研发经验，熟悉ReAct、Plan-and-Execute等工作流模式及上下文工程实践
- 扎实的Python编程与系统工程能力，能独立完成数据处理、模型服务开发、评测脚本编写及线上问题排查
申请策略
- 提前研究阿里云智能运维产品线（如ARMS、SLS）的核心功能，面试时能结合具体场景提出Agent改造思路
- 准备1-2个深度技术复盘案例，清晰阐述失败场景、根因分析及最终迭代路径，展现工程严谨性
- 突出真实Agent项目的完整链路经验，重点说明个人在任务规划、工具调用或记忆模块中的关键技术决策
- 量化展示模型优化成果，如任务成功率提升百分比、Token成本降低比例、端到端时延优化数据等
- 强调跨团队协作与业务闭环能力，提供从需求抽象、原型验证到生产部署的完整案例
- 深入掌握LangChain/LlamaIndex等主流框架底层原理，补充向量数据库检索优化与Embedding调优实战
- 强化系统性能压测与成本监控能力，熟悉GPU推理加速、量化部署及服务高可用架构设计
- 积累AIOps领域知识，了解ITIL流程、CMDB数据结构及传统监控告警体系的痛点
面试指南
- STAR法则重构项目经验：重点突出技术选型依据、核心难点突破、量化业务收益及复盘改进点
- 多维度权衡思维：从准确性、延迟、成本、安全性四个维度展开，结合具体场景说明优先级排序逻辑
- 系统化排查思路：遵循数据层→模型层→工程层→业务层的递进顺序，展示结构化问题解决能力
- 请详细描述你主导过的一个Agent项目，你是如何设计任务分解与工具调用逻辑的？遇到哪些失败类型？
- 在生产环境中，如何平衡Agent的答案正确性、响应时延与Token成本？请给出具体权衡策略
- 面对不完整的运维需求，你会如何通过上下文工程与检索增强技术快速构建原型并验证假设？
- 如果线上Agent频繁出现幻觉或工具调用错误，你的排查与修复流程是怎样的？
- 复习Transformer注意力机制、LoRA/P-Tuning等高效微调技术，以及KV Cache、Speculative Decoding等推理优化手段
职位点评
薪资福利85
成长发展90
工作生活60
使命价值70
薪资福利
85较高
职位未明确披露薪资细节，但作为头部云计算企业的核心算法岗，整体薪酬包通常具备较强市场竞争力，福利体系完善。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
90较高
岗位直接聚焦LLM与Agent前沿技术落地，技术栈高度领先，业务场景复杂且数据丰富，为算法工程师提供了极佳的技术成长与架构视野拓展空间。
技术前沿前沿/新兴技术
技术栈LLM、Agent、Prompt Engineering、RAG、Transformer、模型微调、推理优化
业务类型profit_center
工作生活
60中等
职位描述未明确提及办公模式与工时安排，互联网核心技术岗通常面临较高的技术迭代压力与项目交付节奏，WLB表现存在一定不确定性。
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
岗位致力于通过AI技术提升云基础设施的智能化运维水平，虽非直接面向C端社会公益，但对保障大规模数字化业务的稳定运行具有明确的行业价值。
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
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs