阿里巴巴
Agentic训练与强化学习算法研究-阿里星/Bravo Star
Agentic训练与强化学习算法研究-阿里星/Bravo Star
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机器学习工程
机器学习工程
Dpo
Ppo
Reflection
Rlhf
Tool-Use
大模型Agent
奖励函数
强化学习
环境模拟器
值不值得投
86综合评分
综合评分 86
顶尖人才计划，聚焦大模型Agent与强化学习前沿，薪资极高、技术挑战大，适合追求技术突破的顶尖极客。
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，方便比较职业起点。
薪资怎么样
7.5万
比机器学习工程中位数高
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 3100 个在招 · 其中机器学习工程 约 180 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 260 个在招
职位详情
关于这个职位
该职位致力于研发下一代Agentic System，通过强化学习技术提升大模型在复杂任务中的规划、反思与工具调用能力
你将面向阿里国际站的API生态，设计环境模拟器与奖励函数，打造自动化“数字员工”，定义AI原生的B2B贸易新范式
最低要求
系统掌握强化学习理论，熟悉 PPO / DPO / RLHF 等主流算法的原理与工程实践
具备大模型 Agent、Tool-Use、Planning / Reflection 等方向的研究或落地经验
工作职责
研发下一代 Agentic System：通过多步规划（Planning）、反思（Reflection）与工具调用（Tool-Use）能力，为全球商家构建自动化“数字员工”，实现复杂任务闭环（如自动化选品、智能营销策划），端到端交付高价值业务结果，定义 AI 原生的 B2B 贸易新范式
面向阿里国际站海量异构 API 生态，构建基于强化学习的训练决策迭代技术：设计并实现复杂任务流下的环境模拟器（Environment Design）与多维度奖励函数（Reward Shaping），通过 RL 训练提升模型在动态、高并发 API 环境下的编排、纠错与执行能力
优先资格
有环境模拟器（Environment Design）或奖励函数（Reward Shaping）设计经验者优先
AI 洞察
优缺点分析
优点
- 依托海量真实业务场景和异构API生态，拥有极佳的算法落地与验证平台
- 作为顶尖人才计划，能提供顶级的薪酬待遇、技术大牛指导及广阔的发展空间
- 强化学习在复杂API环境中的Reward Shaping和环境模拟设计难度极高，需要深厚的理论功底和工程能力
- 适合在强化学习或大模型Agent领域有深入研究、具备扎实算法功底且渴望在真实复杂业务场景中落地前沿技术的顶尖技术人才
缺点 / 挑战
- 处于大模型Agent和强化学习的最前沿，技术栈极具前瞻性和挑战性
- 业务场景复杂且高并发，模型在动态环境下的编排与纠错能力面临巨大挑战
角色解读
- 在AI Agent和强化学习前沿领域深耕，成为大模型应用与决策算法的顶尖专家
- 随着AI原生B2B贸易范式的发展，有机会主导核心算法架构，向技术专家或算法团队负责人方向发展
- 研发下一代Agentic System，赋予大模型多步规划、反思和工具调用能力，构建自动化“数字员工”
- 针对阿里国际站的API生态，设计环境模拟器和多维度奖励函数，通过强化学习训练提升模型在复杂任务流中的决策与执行能力
- 扎实的强化学习理论基础，熟练掌握PPO、DPO、RLHF等主流算法及其工程实践
- 具备大模型Agent、Tool-Use、Planning/Reflection等方向的实际研究或落地经验
申请策略
- 了解阿里国际站的业务模式及B2B贸易场景，思考AI Agent如何赋能商家实现自动化选品和营销
- 重点突出在强化学习（PPO/DPO/RLHF）方面的理论深度与工程落地经验
- 详细展示在大模型Agent、Tool-Use、Planning等方向的研究成果或实际项目案例
- 若有环境模拟器设计或奖励函数设计的经验，务必作为核心亮点呈现
- 深入研读最新的Agentic System和RLHF相关顶会论文，保持对前沿技术的敏感度
- 尝试在开源大模型上复现或改进Agent的规划与工具调用能力，积累实战经验
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action) -> 结果(Result)，重点突出技术难点和你的解决方案
- 理论结合实践：先简述算法原理，再结合具体业务场景说明工程实现细节和调优策略
- 请详细介绍你在强化学习（如PPO/DPO）项目中的具体工作，遇到了哪些挑战及如何解决？
- 在大模型Agent的Tool-Use或Planning中，你是如何设计Reward Function的？
- 面对高并发、动态的API环境，如何设计环境模拟器以保证RL训练的稳定性和效率？
- 请分享一个你主导的复杂任务闭环落地案例，端到端交付的业务结果如何？
- 复习强化学习核心算法推导，准备1-2个自己深度参与的Agent或RL落地项目，能讲透技术细节
- 了解阿里国际站的业务背景，准备一些关于AI如何赋能B2B贸易的思考和创新点
职位点评
薪资福利95
成长发展95
工作生活60
使命价值85
薪资福利
95较高
作为顶尖人才计划，薪资极具竞争力，且依托知名平台，福利与稳定性均有极高保障。
薪资信号偏高 (5千–10万/月)
成长发展
95较高
处于大模型与强化学习最前沿，业务场景复杂且极具挑战，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、DPO、RLHF、大模型Agent、Tool-Use、Planning、Reflection、Environment Design、Reward Shaping
业务类型profit_center
工作生活
60中等
JD未提及WLB相关信息，且顶尖人才计划通常伴随较高的业务挑战与工作强度。
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AI原生的B2B贸易新范式，为全球商家构建自动化数字员工，具有较高的商业价值与行业影响力。
行业发展高速增长赛道
社会影响中性/一般
使命信号定义 AI 原生的 B2B 贸易新范式、为全球商家构建自动化数字员工
创新程度开拓性创新（行业首创）
Watch Jobs