阿里巴巴
数据技术及产品部-大模型RL Data工程师-长程 Agent 环境（RL 数据）
数据技术及产品部-大模型RL Data工程师-长程 Agent 环境（RL 数据）
发布于 3 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
Mcp
Rlhf
Rlvr
Sft
大模型评测
强化学习
数据工程
过程监督
值不值得投
79综合评分
综合评分 79
大模型核心底座岗，技术前沿且极具挑战，薪资优厚、发展空间巨大，但工作强度可能较大。
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
5.5万
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 3130 个在招 · 其中数据工程 53 个
市场机会
选择面较广
杭州 · 数据工程 · 94 个在招
职位详情
关于这个职位
该职位负责大模型长程Agent环境的数据体系建设，涵盖数据生产、模型评测与质量管控全链路
你需要将真实复杂任务转化为可复现、可自动判分的训练与评测环境，构建高质量数据集以支持大模型的强化学习与能力评测
最低要求
对长程多步 agentic 任务及其失败模式有深入判断，能将真实复杂任务转化为可复现、可自动判分、难度可控且抗作弊的训练与评测环境
有 Agent 产品实测、长程任务或轨迹设计、过程级评测、RL 环境或数据经验者优先
具备很强的抽象与系统化能力，能将长任务拆解为子目标与里程碑 checkpoint，设计难度分级与变体生成策略，并把模糊的「做得好不好」落成可自动验证的过程评分，沉淀为可跨垂直复用的方法论
工程能力扎实，熟练掌握 Python（能独立编写判分器 verifier、解析长轨迹、处理大规模 rollout 数据），熟悉至少一类 agent 执行环境（终端 / shell、浏览器自动化、桌面自动化、代码沙箱或 MCP 工具编排），掌握以 mock / 录制替代真实依赖、容器化（Docker）与环境状态的重置 / 回放 / 分支
了解 Agent 核心机制（ReAct、Tool Use、Planning、多步推理与反思）与后训练范式（SFT / RLHF / 可验证奖励 RL、RLVR），理解过程监督（step-level reward）、跨步 credit assignment、reward hacking 与长上下文下的误差累积，对长程 agentic 任务的能力边界有认知或实践
领域呈 T 型即可，熟悉任一垂直（编程、数据分析、办公、科研、金融等）到能判断长任务是否贴近真实，但核心能力在长程环境与过程奖励工程、服务所有方向
有以下经验者优先：agent 评测框架 / RL 环境搭建、benchmark / 任务集构建、过程级 verifier 与自动评分器开发、大规模 rollout 与数据管线、仿真 / 沙箱环境工程、agent 安全（提示注入 / 越狱）评测
严谨细致、结果导向、强可复现意识
优秀的技术写作与沟通能力，能向研究、算法、工程与领域专家清晰传达环境与奖励设计，产出高质量的规范、评分标准与分析报告
工作职责
能力体系与标准制定：定义长程 agentic 任务的能力维度（任务分解与规划、跨步状态跟踪、长上下文保持、模糊性与中断处理、错误恢复与反思、长程一致性与终止判断），建立以步数、分支、不可逆性、信息完整度刻画难度的分级与可解性标定方法，制定过程级评分标准（里程碑 checkpoint + 子目标 + 最终态 + rubric 软标准）与金标准轨迹规范，沉淀为各垂直方向复用的统一方法论
数据生产与标注：把真实任务构建为可复现的有状态环境（固定初始状态、可重置 / 回放 / 分支的中间态、以录制或 mock 替代真实工具与 API、结果自动校验钩子）并容器化交付
将领域专家提供的任务抽象为可参数化的环境模板族，批量生成难度递增的变体
产出多步专家示范轨迹——尤其是「中途出错并恢复」「应对中断与模糊指令」等高价值样本，供 SFT、偏好学习与可验证奖励强化学习（RLVR）使用
模型评测建设：为每个环境配套自动判分机制，兼顾最终结果与过程关键节点、支持按步骤部分给分（credit assignment）
用前沿模型跑 pass@k 标定长程难度与可解性
通过大规模 rollout 定位长程特有失败模式（规划漂移、误差累积、状态漂移、上下文丢失、工具误用、过早终止 / 死循环、中断后无法恢复），沉淀轨迹级失败案例库并反哺各垂直方向
质量管控与质检：逐条审阅数十步执行轨迹、判断每一步动作与环境状态是否合理
建立环境分层校验（静态检查 → 冒烟 → 可达性 → 领域合理性）、双标注一致性校验、资深专家抽检、难度标定校准与查重去污
重点排查奖励作弊（reward hacking、绕过 checkpoint、伪造完成）与判分器可靠性、结果可复现性
对 bad case 做根因分析（数据 / rubric / verifier / 环境实例 / 具体轨迹步）并回流到模板与标准
数据基础设施共建：与工程团队共建长程任务沙箱、状态快照与重置 / 回放 / 分支机制、mock API 与工具 / MCP 编排、rollout 与过程打分管线、环境模板库与数据血缘，把「一次设计、批量生成变体」的能力工程化，供所有垂直方向复用
行业跟踪与跨团队协同：持续关注长程 agent、过程监督（process supervision）、可验证奖励与 agent 环境评测方向动态
与各垂直领域岗协作——领域岗负责任务真实性与答案正确性，本岗负责长程环境、过程奖励与轨迹质检——与研究、算法、工程团队形成「数据生产 → 训练 → 评测 → 回流」闭环
优先资格
有 Agent 产品实测、长程任务或轨迹设计、过程级评测、RL 环境或数据经验者优先
有以下经验者优先：agent 评测框架 / RL 环境搭建、benchmark / 任务集构建、过程级 verifier 与自动评分器开发、大规模 rollout 与数据管线、仿真 / 沙箱环境工程、agent 安全（提示注入 / 越狱）评测
AI 洞察
优缺点分析
优点
- 处于大模型与Agent技术的最前沿，接触长程规划、过程监督等核心难题，技术壁垒极高
- 作为横向底座岗位，不绑定单一行业，积累的方法论可复用于编程、金融、科研等多个垂直领域，视野广阔
- 依托大型互联网企业的平台资源，能够接触到大规模算力与顶尖算法团队，成长天花板高
- 长程Agent的失败模式复杂（如规划漂移、误差累积），环境构建与过程打分的难度极大，需要极强的耐心与严谨性
- 作为前沿探索方向，缺乏现成的行业标准和成熟工具，很多基础设施和评测标准需要从0到1自行摸索与共建
- 适合对大模型Agent前沿技术有强烈热情、具备扎实工程能力与极强抽象思维，且追求技术深度与行业影响力的技术极客
缺点 / 挑战
暂无明显挑战项
角色解读
- 向大模型数据科学专家或Agent评测架构师方向发展，成为该细分领域的行业专家
- 随着大模型向Agent方向演进，该岗位经验将极具稀缺性，可转型为大模型产品技术负责人或底层基础设施架构师
- 负责大模型长程Agent环境的数据体系建设，将真实复杂任务转化为可复现、可自动判分的训练与评测环境
- 构建高质量数据集与评测基准，支持大模型的强化学习（RL）训练与能力边界定义
- 与算法、工程团队协同，形成数据生产、训练、评测与回流的完整闭环
- 扎实的Python工程能力，能独立编写判分器、解析长轨迹及处理大规模rollout数据
- 深入理解Agent核心机制（如ReAct、Tool Use）与后训练范式（SFT/RLHF/RLVR）
- 具备极强的抽象与系统化能力，能将长任务拆解为子目标并设计过程级评分标准
申请策略
- 在面试中展现出极强的逻辑抽象能力，能够清晰地将一个模糊的复杂任务拆解为可量化、可验证的子目标与里程碑
- 提前了解阿里在大模型Agent方向的最新开源项目或论文，展现对业务方向的敏锐度
- 突出在Agent环境搭建、RL数据生产或大模型评测方面的实际项目经验，特别是长程任务或轨迹设计的案例
- 展示扎实的Python工程能力，如开发过自动判分器（verifier）、处理过大规模rollout数据或搭建过仿真沙箱环境
- 强调对Agent核心机制（ReAct、Tool Use）及后训练范式（RLHF/RLVR）的深刻理解与实践经验
- 深入学习并实践长程Agent的评测框架，尝试构建自己的benchmark或任务集，熟悉过程级verifier的开发
- 研究大模型在长上下文下的误差累积与reward hacking问题，了解最新的process supervision和credit assignment技术
面试指南
- STAR法则结合系统设计思路：先明确任务目标与难点，再阐述环境抽象与状态管理的系统设计，最后说明工程实现与效果验证
- 对比分析法：在回答评测或打分问题时，对比单点答案判定与过程级判定的差异，突出过程监督在长程任务中的必要性及具体实现方案
- 如何设计一个可复现、抗作弊的长程Agent评测环境？请结合具体例子说明
- 在长程任务中，如何定义过程级评分标准（step-level reward）并进行跨步的credit assignment？
- 针对Agent常见的reward hacking或规划漂移问题，你在数据生产或环境设计时会采取哪些防范措施？
- 请描述你使用Python开发自动判分器（verifier）或处理大规模rollout数据的工程经验
- 复习并深入理解Agent的核心机制（如ReAct、Planning）以及RLHF/RLVR等后训练范式，特别是过程监督（process supervision）的相关论文
- 准备1-2个自己主导或深度参与的复杂数据工程或评测环境搭建项目，能够清晰讲述其中的技术难点、解决方案及最终收益
职位点评
薪资福利85
成长发展95
工作生活45
使命价值85
薪资福利
85较高
大模型核心方向的高级技术岗，薪资水平在市场中具有较强竞争力，且作为已上市企业，整体薪酬福利体系完善。
薪资信号偏高 (4千–7万/月)
成长发展
95较高
岗位处于大模型Agent最前沿领域，涉及长程规划、过程监督等核心难题，技术成长空间极大，且作为横向底座能接触多垂直领域，发展性极强。
技术前沿前沿/新兴技术
技术栈Agent、RLVR、RLHF、SFT、ReAct、MCP、Docker、Python
业务类型ambiguous
工作生活
45较低
JD未明确提及工作模式与WLB相关信息，但作为大模型核心研发岗且涉及大量复杂环境构建与质检工作，工作强度与压力可能较大。
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
85较高
致力于定义大模型在复杂agentic任务上的能力边界，推动大模型向真正能解决长程复杂问题的方向演进，具有极高的技术使命感与行业推动价值。
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）
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs