阿里巴巴
阿里云智能-前沿部署工程师（FDE）-Forward 知识工程&智能服务-杭州
阿里云智能-前沿部署工程师（FDE）-Forward 知识工程&智能服务-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
Mcp
Prompt Engineering
Rag
Tool-Use
多Agent编排
数据飞轮
自动化评测
值不值得投
80综合评分
综合评分 80
大模型应用核心岗，技术前沿且成长空间巨大，薪资竞争力强，但工作强度可能较高。
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
3.5万
与人工智能中位数基本持平
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 3100 个在招 · 其中人工智能 约 330 个
市场机会
选择面较广
杭州 · 人工智能 · 约 400 个在招
职位详情
关于这个职位
该职位负责将大模型能力转化为可落地的产品化能力，主导从需求定义到生产交付的全链路工作
你需要进行技术选型、搭建Agent系统架构、构建数据闭环与评测体系，最终交付可持续迭代的AI产品
最低要求
基础条件：
计算机、数学、统计学等相关专业，本科及以上学历
年以上 AI 应用相关工作经验，具备扎实的工程实现能力
精通 Python，熟悉主流 LLM 应用开发框架与工具链
核心能力（必须具备）：
应用架构能力：能独立完成 LLM 应用的端到端架构设计，在 Prompt / RAG / Agent / 微调间做出合理选型并落地
Agent 工程化：有完整的 Agent 系统从 0 到 1 上线经验，熟悉多 Agent 编排、Tool-Use、Memory 等核心模块的工程实现
交付导向：关注从原型到上线的完整路径，能主动识别风险、推动跨团队协作，按时交付可运营的产品能力
数据意识：具备 Data-centric 思维，能设计数据闭环驱动产品迭代
评测能力：能搭建自动化评估体系，具备复杂任务的量化评估与根因定位能力
工作职责
与业务、产品共创需求，将业务诉求拆解为可落地的技术方案，明确目标、边界与验收标准
对所负责模块的线上质量、稳定性与成本负责，建立监控、告警与兜底机制，驱动持续迭代
在 Prompt Engineering / RAG / Agent / 微调等方案间做技术选型，设计端到端应用架构（含上下文管理、工具调用、记忆机制、安全策略），完成生产级交付
搭建 Agent 系统的工程化落地，包括多 Agent 协作与编排、Tool-Use（MCP 等协议）集成、Memory 管理，推动从原型到线上的完整闭环
构建数据飞轮：设计采集、清洗、标注的工程化流水线，打通“上线 → 反馈 → 数据 → 迭代”循环
面向业务目标设计评测指标，搭建自动化评测框架（LLM-as-Judge / Auto-rater），执行线上 A/B 实验，监控效果漂移并及时干预
优先资格
有合成数据或数据质量治理经验者优先
能力特质：
技术判断力：能在多种技术路线中快速识别关键瓶颈，做出有依据的取舍，而非堆砌技术
技术审美：能区分“能跑”与“可上线”，追求简洁、可维护的工程实现，避免过度设计
业务体感：能站在用户和产品视角思考问题，不只是完成算法指标，而是交付业务价值
AI 洞察
优缺点分析
优点
- 处于大模型应用落地的最前沿，能接触到Agent、RAG等核心技术，技术含金量极高
- 依托头部云厂商平台，能处理大规模、高并发的真实业务场景，工程经验极具市场价值
- 大模型技术迭代极快，需要持续学习新技术并保持极高的技术敏锐度
- 适合具备扎实工程能力、对大模型应用有浓厚兴趣，且渴望在AI落地一线解决复杂问题的技术极客
缺点 / 挑战
- 从原型到生产级交付要求严苛，需平衡技术理想与业务落地，面临较大的工程化与稳定性挑战
角色解读
- 可向AI架构师或AI技术专家方向发展，深入大模型底层技术与业务场景结合
- 也可转型为AI产品技术负责人，统筹AI产品线的技术演进与商业化落地
- 负责大模型能力的产品化落地，主导从需求定义到生产交付的全链路工作
- 进行技术选型、搭建Agent系统架构、构建数据闭环与自动化评测体系，确保AI产品可持续迭代
- 精通Python及主流LLM开发框架，具备端到端应用架构设计能力
- 拥有完整的Agent系统从0到1上线经验，熟悉多Agent编排与Tool-Use集成
- 具备Data-centric思维，能设计数据闭环并搭建自动化评估体系
申请策略
- 了解阿里云在AI领域的最新产品布局（如百炼平台），在面试中展现对大模型工程化落地的深刻思考与业务体感
- 突出大模型应用（RAG/Agent/微调）的完整落地经验，特别是从0到1的架构设计与上线成果
- 强调数据闭环构建与自动化评测体系搭建的实际案例，展现Data-centric思维
- 深入学习多Agent协作编排、MCP协议及Memory管理机制，掌握前沿Agent工程化技术
- 掌握LLM-as-Judge等自动化评测方法，提升复杂任务的量化评估与根因定位能力
面试指南
- 采用STAR法则，重点突出业务背景、技术选型逻辑、工程化难点及最终的业务收益
- 对于架构设计问题，先讲整体思路，再深入核心模块（如Memory、Tool-Use）的实现细节与兜底策略
- 请分享一个你从0到1搭建Agent系统并成功上线的完整案例，遇到了哪些工程化挑战？
- 在Prompt、RAG、Agent和微调之间，你是如何做技术选型和权衡的？
- 如何设计一个自动化评测框架来监控大模型应用的效果漂移？
- 在构建数据飞轮时，你是如何设计采集、清洗到标注的流水线的？
- 准备1-2个深度参与的大模型应用项目，梳理其中的技术难点与解决方案
- 了解当前Agent领域的最新进展（如MCP协议、多Agent框架），并思考其在实际业务中的应用场景
职位点评
薪资福利85
成长发展95
工作生活50
使命价值80
薪资福利
85较高
该岗位属于大模型核心应用方向，薪资具备较强市场竞争力，且头部企业福利体系完善。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
95较高
岗位处于大模型应用落地的最前沿，涉及Agent、RAG等核心技术，技术成长空间极大，能积累极具价值的工程化经验。
技术前沿前沿/新兴技术
技术栈Python、LLM、Prompt Engineering、RAG、Agent、微调、Tool-Use、MCP、Memory、LLM-as-Judge
业务类型profit_center
工作生活
50较低
JD未明确提及工作模式与加班情况，但作为核心业务线的技术攻坚岗，且要求交付导向，工作强度可能较大。
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
80较高
推动大模型技术在实际业务中的落地，具有较高的技术使命感与行业前瞻性，能切实推动AI技术的普及与应用。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs