阿里巴巴
算法工程师-Agent在线强化学习（T-Star Lab 日常实习）
算法工程师-Agent在线强化学习（T-Star Lab 日常实习）
发布于 大约 8 小时前实习/见习
杭州市
专家级经验
实习生
仅现场办公
博士
机器学习工程
Aiops
Grpo
Llm
Ppo
Pytorch
元学习
在线学习
强化学习
安全强化学习
AI 估算 · 0k–1k
日常实习岗位，薪资按日薪或月薪计算，博士级别且要求顶会论文，日薪较高，但实习期通常无年终奖。
职位详情
关于这个职位
这是阿里巴巴淘天集团T-Star实验室的日常实习岗位，专注于Agent在线强化学习的前沿研究
你将参与本体约束的在线强化学习框架建模、算法设计与实现，并在双11/618等真实大促场景中验证效果
适合有扎实强化学习理论功底、能独立完成定理证明的博士在读同学，提供顶级业务+技术双导师指导
最低要求
● 计算机科学、人工智能、运筹学、自动化等相关方向博士
● 扎实的强化学习理论功底，精通主流RL算法（Policy Gradient/PPO/GRPO及其变体），有实际实现与调优经验
● 熟练Python + PyTorch，具备生产级代码交付能力
● 在ICML/NeurIPS/ICLR/AAAI/ACL/WWW等顶会有一作或共同一作论文发表，或有等价的突出研究成果
● 第一性原理思维：能从问题本质出发设计方案，而非套用现有方法
● 理论与实践并重：既能推公式证定理，也能写出高质量生产代码
● 大促体感：对"安全红线"有敬畏心，理解生产环境不允许trial-and-error
● 跨域学习能力：愿意深入理解业务/运维/研发领域知识，而非将其视为黑箱
● 长期主义：认同"自进化"的愿景，愿意用3年时间构建有壁垒的系统
工作职责
理论研究：负责本体约束的在线强化学习框架建模，并进行理论证明、自进化的收敛性分析
算法开发：设计并实现本体增强的安全在线RL算法族、LLM-RL协同决策算法、跨大促Meta-RL与经验固化算法
场景落地：在双11/618等真实大促中验证系统效果
与SRE/研发团队协作确保决策可信赖
量化评估业务价值
优先资格
● 包括安全强化学习、在线学习、元学习、多智能体，了解本体工程、神经符号推理，有LLM与决策系统结合的研究经验，了解大规模分布式系统、AIOps、SRE相关背景知识，有扎实的数学功底，包括优化理论、概率论、随机过程功底扎实，能独立完成定理证明
AI 洞察
优缺点分析
优点
- 顶级平台：阿里巴巴淘天集团，拥有全球独一无二的大促数据和应用场景
- 资源丰富：充足的GPU/CPU算力，成熟的基础设施，双导师指导
- 要求极高：需要博士学历和顶会论文，门槛高
- 工作强度大：大促期间可能面临高压，需要敬畏安全红线
- 理论深度要求高：需要独立完成定理证明，数学功底要求扎实
缺点 / 挑战
- 前沿技术：涉及强化学习、LLM、Meta-RL等前沿方向，技术挑战大
- 适合对强化学习有深厚兴趣、具备扎实理论功底和代码能力、追求前沿技术挑战的博士在读学生
角色解读
- 实习期间可深入接触全球最大规模的在线决策场景，积累实战经验
- 表现优秀者有机会转正，进入T-Star计划，获得顶级导师指导和资源支持
- 未来可向算法专家、技术Leader或研究科学家方向发展
- 负责本体约束的在线强化学习框架建模，进行理论证明和收敛性分析，推动算法理论创新
- 设计并实现安全强化学习、LLM-RL协同决策、跨大促Meta-RL等算法，并优化调优
- 在双11/618等真实大促场景中验证算法效果，与SRE和研发团队协作确保系统稳定
- 扎实的强化学习理论功底，精通PPO、GRPO等主流算法，能独立实现和调优
- 熟练使用Python和PyTorch，具备生产级代码交付能力
- 有顶会论文发表经验，具备第一性原理思维和跨域学习能力
申请策略
- 在申请中强调对阿里巴巴业务的兴趣，特别是大促场景的挑战
- 准备展示第一性原理思维的案例，体现独立解决问题的能力
- 突出强化学习相关项目经验，特别是PPO/GRPO等算法的实现和调优
- 强调顶会论文发表，尤其是第一作者论文，展示研究能力
- 展示Python/PyTorch的熟练度，以及生产级代码交付能力
- 如果有安全强化学习、在线学习、元学习等经验，务必突出
- 提前复习强化学习理论，特别是PPO、GRPO等算法的数学推导
- 熟悉PyTorch的分布式训练和模型部署，提升工程能力
面试指南
- 对于算法原理问题，先阐述核心思想，再推导关键公式，最后结合实践经验
- 对于设计问题，从问题本质出发，提出方案，并考虑实际约束和安全性
- 对于项目问题，用STAR法则，突出你的贡献和成果
- 请详细解释PPO算法的原理和实现细节，以及如何调优
- 如何设计一个安全强化学习算法，确保在真实生产环境中的安全性？
- 请描述一个你独立完成的强化学习项目，包括理论推导和代码实现
- 如何将LLM与强化学习结合，解决决策问题？
- 你如何理解自进化系统，并如何保证其收敛性？
职位点评
71
综合评分
顶级技术挑战、前沿研究、双导师，但实习薪资低且工作强度大。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
更适合这类人
适合追求技术成长、学术研究导向、愿意接受高强度挑战的博士在读学生。
表现最好
成长发展
相对薄弱
薪资福利
薪资福利40
成长发展95
工作生活50
使命价值85
薪资福利
40较低
实习岗位薪资相对较低，但阿里巴巴提供完善的福利和平台资源，稳定性高。
薪资信号未披露（AI估算：0K-0K/月）
成长发展
95较高
该岗位提供顶级技术挑战、丰富数据、充足算力和双导师指导，对技能成长和职业发展有极大帮助。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、GRPO、PyTorch、LLM、Meta-RL、安全强化学习
成长机会双导师、学术交流
业务类型profit_center
工作生活
50较低
工作地点在杭州，现场办公，但大促期间可能加班，工作强度大。
工作模式仅现场办公
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
85较高
该岗位致力于构建智能决策范式，对技术发展有重要贡献，社会影响力较高。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号构建面向下一个十年的智能决策范式
创新程度开拓性创新（行业首创）
Watch Jobs