阿里巴巴
阿里云智能-AI应用研发工程师（金融智能体）-新金融行业线（杭州）
阿里云智能-AI应用研发工程师（金融智能体）-新金融行业线（杭州）
发布于 2 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
Ai Agent
Java/Python/Go
Mcp协议
Rag
向量数据库
大模型(Llm)
系统架构设计
值不值得投
74综合评分
综合评分 74
前沿AI Agent技术栈、业务价值高、技术成长空间大，但工作强度与合规压力需结合实际评估。
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
5.5万
比人工智能中位数高
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 3910 个在招 · 其中人工智能 约 390 个
市场机会
选择面较广
杭州 · 人工智能 · 约 460 个在招
职位详情
关于这个职位
负责面向金融行业的数据科学智能体研发与全链路建模平台建设，利用大模型技术重构传统数据探索与模型训练流程
需设计混合架构保障多端部署与系统稳定性，构建Agent评测与可观测体系，并实践AI Native研发方式，确保交付质量与线上安全
最低要求
年以上开发经验，至少熟练掌握一门主力语言（Java/Python/Go/Rust），具备扎实的系统编程与工程化能力
理解LLM推理链路与Agent交互范式（ReAct、Plan-and-Solve、Reflection），能设计可靠的多步工具调用与错误恢复机制
熟悉向量数据库与检索/排序链路，有RAG系统或Agent记忆系统端到端设计经验
具备清晰的系统分层与抽象能力，能从业务问题出发进行架构拆解，而非仅执行单点需求
是AI Agent产品（Claude Code、Cursor、ChatGPT、Manus等）的深度用户，对主流Agent的能力边界与交互范式有切身体感
工作职责
数据科学Agent研发：负责面向金融行业的数据科学智能体研发，通过自然语言对话自主完成数据探索、特征挖掘、模型训练到成果交付的建模全流程，推理过程、工具调用与结果产出全程可见、可控、可追溯
AI重构的金融数据建模平台：负责「数据→特征→模型→场景」全链路建模平台建设，用大模型重构传统建模工作方式，包括智能特征生成与筛选、AI辅助金融建模、模型评估与诊断自动化，缩短金融模型研发周期
混合架构设计：负责平台混合架构的设计与落地，支撑Web、PC等多端形态，以及公有云、专有云、本地化等多种部署模式
处理多进程、多环境下的流式链路、状态一致性与弹性伸缩等工程问题，保障不同交付形态下的体验一致与可靠交付
Agent评测与可观测：构建Agent评测体系，覆盖规划能力、工具调用可靠性、多轮交互一致性、长程记忆连续性等核心维度
建设Agent全链路Tracing与运行时可观测平台，支撑快速定位和修复Agent行为异常
AI协作研发：实践AI Native研发方式，使用AI Coding Agent参与需求、设计、开发、测试与发布全流程，并持续将AI前沿能力引入产品与工程实践
安全生产：具备强烈的安全生产意识与代码红线意识，对自己负责的系统承担交付质量与线上稳定性责任
严格执行编码规范、测试验证、发布门禁与变更管理流程，能快速定位并妥善处置线上故障
优先资格
有Agent Harness/Runtime系统设计与落地经验——包括编排引擎、沙箱隔离、状态持久化、容错重试、Multi-Agent协作中的任一方向
熟悉Model Context Protocol (MCP)、OpenAI Function Calling或类似工具协议标准，有Agent工具生态或SDK设计经验
有Agent评测体系建设经验，能设计覆盖规划、工具调用、记忆连续性等维度的自动化评测流程
有模型微调/RLHF/Agentic RL实践经验，理解如何将Agent行为能力内化到模型权重中
有ToB产品工程化交付经验，理解金融行业合规与专有云部署诉求
关注AI Agent前沿进展（Self-Evolution、Cross-task Experience Accumulation、Runtime Harness设计），有论文复现或开源贡献
AI 洞察
优缺点分析
优点
- 身处云智能核心业务线，接触最前沿的大模型与Agent技术栈，技术视野开阔
- 金融智能体赛道处于爆发期，项目具有极高的商业价值与技术壁垒，履历含金量高
- 依托完善的工程体系与算力资源，拥有充足的实验环境与真实业务落地场景
- AI Native研发实践贯穿全流程，能显著提升个人工程效率与技术前瞻性
- 年以上经验要求叠加Agent前沿技术栈，学习曲线陡峭，需快速掌握多模态交互与复杂编排逻辑
- 适合具备扎实工程基础、对大模型与Agent技术有强烈热情，且能在高压环境下追求技术极致与业务落地的资深开发者
缺点 / 挑战
- 金融场景对安全性、合规性与系统稳定性要求极高，容错率低，线上故障排查压力大
- 需兼顾底层架构设计与上层业务建模，跨领域知识整合与多端适配挑战大
角色解读
- 向AI基础设施架构师或大模型平台技术负责人发展，主导核心Agent Runtime与评测体系的演进
- 深耕金融科技垂直领域，转型为懂业务、懂算法、懂工程的复合型技术专家或技术管理者
- 跟进Self-Evolution、Agentic RL等前沿方向，推动AI原生研发范式在金融行业的规模化落地
- 负责金融领域数据科学智能体的研发与全链路建模平台建设，利用大模型技术重构传统数据探索与模型训练流程
- 设计并落地支持多端部署与混合云环境的系统架构，解决流式链路、状态一致性及弹性伸缩等核心工程问题
- 构建AI Agent的评测体系与全链路可观测平台，保障智能体在多轮交互、工具调用中的可靠性与行为可追溯
- 实践AI Native研发模式，深度集成AI Coding Agent优化需求、开发、测试与发布全流程
- 精通至少一门主力编程语言（Java/Python/Go/Rust），具备扎实的底层系统编程与高并发工程化能力
- 深入理解LLM推理链路与Agent交互范式（如ReAct、Plan-and-Solve），能设计复杂的多步工具调用与错误恢复机制
- 熟悉向量数据库、RAG系统及检索排序链路，具备端到端的Agent记忆系统与评测架构设计经验
- 具备优秀的系统分层与抽象能力，能结合金融业务场景进行模块化架构拆解与技术选型
申请策略
- 重点关注候选人对Agent能力边界的实际体感与批判性思考，面试前可准备1-2个深度使用AI Agent产品的复盘案例
- 突出5年以上大型分布式系统或AI平台开发经验，量化系统性能提升与稳定性指标
- 详细列举RAG系统、向量检索、Agent编排引擎或评测体系的具体落地案例与技术难点攻克过程
- 强调AI Native研发实践，展示使用AI工具提效的具体数据与流程改造经验
- 深入研读LLM推理优化、Tool Use与Multi-Agent协作相关论文，补齐理论短板
- 熟悉MCP协议、Function Calling标准及主流Agent框架源码，掌握底层交互机制
- 补充金融业务基础知识，了解数据合规、私有化部署与专有云架构特点
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出技术选型依据、遇到的核心瓶颈及量化解决效果
- 针对架构与设计类问题，先阐述整体分层思路，再聚焦关键模块（如调度、记忆、评测）的权衡取舍
- 结合具体业务约束（如金融合规、延迟要求）说明技术方案的选择逻辑，避免纯理论堆砌
- 请描述你设计过的最复杂的Agent交互流程，如何处理工具调用失败与状态回滚？
- 在金融场景下，如何平衡大模型的创造性与输出结果的确定性/可解释性？
- 请谈谈你对RAG系统中检索精度低或幻觉问题的解决方案
- 面对混合云与多端部署场景，你的系统架构如何保证状态一致性与弹性伸缩？
- 梳理过往项目中与LLM/Agent相关的核心代码片段或架构图，准备应对深度技术追问
职位点评
薪资福利75
成长发展92
工作生活45
使命价值78
薪资福利
75中等
JD未披露具体薪资与福利明细，仅体现对资深技术人才的硬性要求，薪酬竞争力需以实际沟通为准。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
92较高
岗位深度聚焦LLM推理链路与Agent交互范式，技术栈处于行业前沿，能提供充足的技术探索与架构演进空间。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、RAG、向量数据库、MCP、RLHF、Agentic RL
业务类型ambiguous
工作生活
45较低
JD未明确提及弹性工时或WLB相关安排，仅强调线上稳定性与故障处置责任，工作节奏与强度需以实际团队情况为准。
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
78中等
岗位致力于通过AI技术重塑金融数据建模流程，推动行业数字化与智能化升级，具备明确的业务落地导向。
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