阿里巴巴
阿里云智能-AI应用开发专家-资产运营平台-杭州
阿里云智能-AI应用开发专家-资产运营平台-杭州
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人工智能
人工智能
Llm
Rag
分布式事务
工具调用
微服务
提示词工程
知识库
领域建模
评测回归
值不值得投
薪资怎么样
5.5万
比人工智能中位数低
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 4100 个在招 · 其中人工智能 约 400 个
市场机会
选择面较广
杭州 · 人工智能 · 约 470 个在招
职位详情
关于这个职位
你将加入阿里云智能集团资产运营平台团队，负责复杂业务链路的技术方案设计与研发交付，并推动 AI/Agent 能力在生产环境落地
岗位聚焦大模型应用、RAG、工具调用与流程自动化，需要兼顾系统工程质量与业务稳定性，是技术深度与 AI 生产化能力并重的专家型角色
最低要求
年以上软件研发经验，计算机相关专业本科及以上学历
具备复杂企业级系统的设计与开发经验，能够独立承担复杂模块或业务链路的技术方案与交付
具备扎实的基础工程能力，熟悉微服务、数据库、缓存、消息中间件、分布式事务和高可用设计，具备性能优化及线上问题排查经验
具备 AI/Agent 应用的生产落地经验，此项为必备条件
独立负责或深度参与过至少一个大模型应用从方案设计、开发上线到持续运营的完整过程，并能够说明准确率、时效、稳定性或人效等量化结果
熟悉提示词与上下文工程、RAG、知识库、工具调用、Agent 工作流及主流大模型应用框架
具备评测集建设、效果回归、权限控制、安全护栏、模型降级及人工兜底等生产实践
仅具备课程、个人项目或原型验证经验不视为满足
具备良好的领域建模、数据链路分析及跨团队协作能力，能够在多系统协同场景下推动复杂问题解决，并具备较强的责任心、结构化思考及技术沟通能力
工作职责
独立负责阿里云资产运营业务下的复杂模块或业务链路的技术方案设计与研发交付，包括影响分析、系统设计、核心编码、联调测试及上线保障
参与跨领域、跨系统链路建设，完成接口契约、数据模型、状态流转及一致性方案设计，保障业务链路稳定、数据准确且可追溯
负责所辖领域的平台增量能力建设，将不同业务场景中的共性与差异沉淀为可配置、可扩展的领域模型、业务规则及流程能力，提升新场景接入效率
负责 AI/Agent 能力的生产级落地，面向异常识别、数据核验、差异归因、现场作业辅助及流程自动化等场景，建设知识检索、工具调用、任务编排、评测回归、安全护栏及人工兜底机制，并对应用效果和运行稳定性负责
持续提升系统工程质量与研发效能，完善监控告警、故障定位、容量及性能治理，推动 AI 辅助研发、智能测试和代码审查的规范化应用
优先资格
加分项：
具备数据中心、智算中心、供应链协同、资产管理、现场运维或财务对账系统研发经验者优先
AI 洞察
优缺点分析
优点
- AI/Agent 生产级落地是当前稀缺且高价值的能力方向，岗位能积累从方案到运营的完整实战经验
- 涉及复杂企业级系统与跨系统链路建设，可显著提升架构设计、领域建模与分布式工程能力
- 背靠云计算与 AI 结合的赛道，技术栈前沿、业务场景丰富，长期发展空间较大
- 跨团队、跨系统协同频繁，对沟通推动与结构化思考能力要求高
- 适合有 5 年以上复杂企业级系统研发经验、并已具备大模型应用生产落地实战，追求 AI 工程与架构深度的技术专家型人才
缺点 / 挑战
- 对 AI 生产落地经验要求为硬性门槛，仅有课程或原型经验无法满足，入行门槛较高
- 需同时兼顾复杂业务交付、AI 应用效果与系统稳定性，多方责任叠加、挑战较大
角色解读
- 深耕 AI 应用工程与 Agent 架构方向，逐步成长为团队内的 AI 生产化技术专家或架构师
- 依托复杂企业级系统与跨领域链路建设经验，向业务领域技术负责人或技术管理方向发展
- 在云与智算、资产管理等业务场景积累行业 Know-how，形成技术+业务的复合竞争力
- 独立负责资产运营业务中复杂模块或业务链路的技术方案设计、核心编码与上线保障，兼顾系统设计与工程交付
- 参与跨系统、跨领域链路建设，完成接口契约、数据模型、状态流转与一致性方案设计，保障数据准确可追溯
- 将不同业务场景的共性沉淀为可配置、可扩展的领域模型、业务规则与流程能力，提升新场景接入效率
- 推动 AI/Agent 能力在生产级场景落地，建设知识检索、工具调用、任务编排、评测回归与安全兜底机制
- 扎实的后端工程能力：熟悉微服务、数据库、缓存、消息中间件、分布式事务与高可用设计，具备性能优化与线上问题排查经验
- AI/Agent 生产落地能力：熟悉 RAG、知识库、提示词与上下文工程、工具调用、Agent 工作流及主流大模型应用框架
- 评测与稳定性保障：具备评测集建设、效果回归、权限控制、安全护栏、模型降级及人工兜底的生产实践
- 领域建模与跨团队协作：能进行数据链路分析，在多系统协同场景下推动复杂问题解决并有效沟通
申请策略
- 申请前了解阿里云资产运营业务与云智能集团的组织定位，面试中体现对业务场景与工程稳定性的理解
- 准备好讲述 AI 应用落地的失败复盘与人工兜底设计，体现对生产环境风险的前置把控意识
- 重点量化至少一个完整大模型应用从方案设计、上线到运营的全过程，突出准确率、时效、稳定性或人效等量化结果
- 展示复杂企业级系统与跨系统链路的设计与交付经验，强调接口契约、数据一致性、高可用与性能优化案例
- 突出 RAG、Agent 工作流、工具调用、评测回归、安全护栏等生产实践，而非仅原型验证
- 如有数据中心、供应链协同、资产管理、财务对账等业务系统经验，应重点标注为加分契合点
- 系统梳理主流大模型应用框架与 Agent 编排方案，补充评测集建设、效果回归与模型降级等生产治理实践
- 强化分布式系统与领域建模能力，准备可讲述的高可用设计与线上问题排查案例
面试指南
- 采用 STAR 结构：先讲业务背景与目标，再讲技术方案与关键取舍，最后给出量化结果与复盘改进
- 突出工程稳定性思维：在描述 AI 能力时同步说明异常识别、降级、兜底和质量度量机制
- 面对系统性设计题，先梳理业务链路与数据模型，再谈一致性与高可用，最后落到可扩展的领域抽象
- 请介绍一个你主导的大模型应用从设计到上线再到持续运营的完整案例，并说明关键量化结果
- 如何设计 RAG 与知识库方案来保障检索准确率与时效？遇到效果不达标时你如何定位与优化？
- 在 Agent 工作流中，如何做工具调用编排、权限控制、安全护栏和人工兜底？
- 面对跨系统链路的数据一致性，你会如何设计方案并保证可追溯？
- 如何搭建评测集与效果回归体系，持续监控 AI 应用的生产表现？
Watch Jobs