天猫
业务技术-AI Agent 算法工程师-杭州
业务技术-AI Agent 算法工程师-杭州
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Ai Agent
Deepspeed
Llm
Pytorch
Rag
Vllm
分布式系统
数据工程
模型微调
值不值得投
73综合评分
综合评分 73
技术驱动的前沿Agent平台岗，成长天花板高，技术挑战大，WLB待确认。
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
35K
比算法优化工程师中位数低
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 290 个在招 · 其中算法优化工程师 9 个
市场机会
选择面较广
杭州 · 算法优化工程师 · 88 个在招
职位详情
关于这个职位
该职位是天猫AI Agent平台的核心算法工程师，负责连接大模型能力与底层工程框架
你需要对自研的分布式Agent运行时进行算法化升级，构建高质量数据流水线，并针对平台特性进行模型微调与评测，以提升Agent系统的实际效果
最低要求
计算机、数学、统计学等相关专业硕士/博士优先，优秀本科生不受限制
有顶会论文（ACL/EMNLP/ICLR/NeurIPS/ICML等）或知名开源项目（LangChain/LlamaIndex/vLLM/AutoGen等）核心贡献者加分
深刻理解 Agent 架构范式（ReAct/Reflexion/LATS等），熟悉 RAG、Memory、Tool-Use 的工程实现原理
不仅会用，更懂其背后的系统约束与性能瓶颈
具备 Data-centric AI 思维，精通合成数据生成、轨迹构造与清洗算法
有 Self-Instruct、Evol-Instruct 或类似数据工程落地经验
能独立搭建 Agent 评测闭环，擅长通过 Bad Case 分析定位是“模型问题”、“Prompt问题”还是“系统/工具问题”
精通 Python/PyTorch，熟悉 Megatron-LM/DeepSpeed/vLLM 等训练推理框架
理解分布式系统、K8s、Serverless 等云原生概念，能与 Infra 工程师无缝对话
技术审美：追求“优雅且稳定”的系统设计，能区分“Demo 级 Trick”与“生产级 Solution”
好奇心与动手力：对 AI Native 应用充满热情，能快速复现最新 Paper，主动尝试将前沿技术转化为平台能力
工作职责
作为连接“模型能力”与“工程底座”的核心角色，你将负责以下一项或多项工作：
深入理解自研分布式 Agent Runtime 与 Framework，将 Context Engineering、Memory 管理、工具编排等工程模块进行算法化升级
搭建面向 Agent Trajectory（轨迹）的高质量数据挖掘与清洗流水线，建立“线上日志-离线训练-效果验证”的数据增强回路
针对 Harness 场景特性（如工具调用准确率、JSON格式遵循、长上下文保持），进行专项微调与偏好对齐，显著提升模型在平台上的开箱即用效果
构建面向 Agent 全生命周期的自动化评测体系（LLM-as-Judge / Auto-Rater），设计符合 Harness 标准的 Rubric 与量化指标
优先资格
有大规模 Agent 平台、IDE Copilot 或复杂工作流引擎算法研发经验
熟悉 CI/CD 流水线，有 MLOps/LLMOps 平台建设经验
在 Kaggle/天池等竞赛中获得 Top 名次，或在 Hacker News/GitHub 上有高星 AI 项目
AI 洞察
优缺点分析
优点
- 技术前沿：工作在AI Agent这一最前沿领域，直接参与构建下一代AI应用基础设施
- 技术深度：岗位要求同时精通算法与系统，能获得“模型+工程”双重能力的稀缺成长
- 平台影响力：在巨头平台的核心项目上工作，成果有机会服务海量用户，产生广泛影响
- 技术氛围：JD强调“硬核技术氛围”、“拒绝内卷”，适合追求技术纯粹性的工程师
- 技术难度高：需要同时具备扎实的算法功底和对分布式系统的深刻理解，学习曲线陡峭
- 问题复杂性高：解决的通常是“模型-系统-数据”协同的复杂工程问题，没有现成答案
- 适合计算机相关专业，对AI Agent架构有浓厚兴趣，兼具算法研究能力和工程落地思维的优秀应届生或早期职业工程师
缺点 / 挑战
- 竞争与压力：身处核心业务，对技术方案的生产级稳定性和效果有极高要求
角色解读
- 技术专家路线：深耕Agent算法与系统，成为AI Agent算法架构师或AI工程化科学家
- 技术管理路线：凭借技术深度和业务理解，成长为Harness技术负责人或团队技术Leader
- 影响范围扩大：方法论和成果有望沉淀为平台标准，影响更大范围的研发范式
- 设计和优化AI Agent系统的算法内核，包括记忆管理、工具编排和上下文处理
- 构建和运营高质量的数据飞轮，从线上日志中挖掘数据，用于训练和评测，提升模型在真实场景的表现
- 针对特定业务场景（如工具调用、格式约束）对大模型进行微调和对齐，使其更好地服务于平台
- 建立自动化的评测体系，用量化指标衡量Agent的性能，并通过分析Bad Case持续改进系统
- 深入理解AI Agent架构（如ReAct、Reflexion）和RAG、Tool-Use等技术的原理与工程实现
- 精通数据工程，擅长合成数据构造、轨迹清洗，并具备Data-centric AI思维
- 熟练使用Python/PyTorch进行模型训练，并熟悉vLLM、DeepSpeed等大模型推理和训练框架
- 具备系统思维，能区分Demo级技巧和生产级解决方案，并能与基础设施工程师有效协作
申请策略
- 仔细研究天猫/阿里在AI Agent方向的公开技术博客或分享，理解其技术路线和关注点
- 简历中可量化成果，例如“通过XX数据增强方法，将工具调用准确率从X%提升至Y%”
- 突出与Agent、LLM、RAG相关的项目经验，特别是涉及数据构造、微调、评测的完整闭环项目
- 强调个人在知名开源项目中的贡献（如LangChain、vLLM），或顶会论文经历，这是明确的加分项
- 展示处理复杂系统问题的案例，例如如何通过Bad Case分析定位并解决模型、Prompt或系统层面的问题
- 体现工程化能力，如使用PyTorch、DeepSpeed/vLLM进行模型训练或部署的经验，以及对云原生概念的了解
- 深入研究1-2个主流Agent架构（如ReAct、Reflexion）的实现细节，并尝试复现经典论文
- 系统学习数据工程在AI中的应用，实践Self-Instruct、Evol-Instruct等数据构造方法
面试指南
- 对于技术原理问题：采用“定义-流程-优缺点-工程实现考量”的结构，展现理论深度与工程思维
- 对于方案设计问题：遵循“明确目标 -> 拆解维度 -> 指标选择 -> 迭代闭环”的思路，体现系统化思考
- 对于项目经验问题：使用STAR法则，重点突出你在其中的技术决策、遇到的挑战以及最终量化结果
- 请描述你理解的一个Agent架构（如ReAct）的工作流程，以及它在工程实现上可能遇到哪些瓶颈？
- 如果让你为Agent平台设计一个评测体系，你会关注哪些核心指标？如何区分是模型问题还是系统问题？
- 在构建训练数据时，如何保证Agent轨迹数据的质量和多样性？你会用到哪些数据构造或清洗算法？
- 请分享一个你解决过的，涉及算法和系统协同的复杂技术问题，你是如何定位和解决的？
- 复习Agent、LLM微调、评测相关的经典论文和开源项目代码，做到原理和实现都清楚
职位点评
薪资福利65
成长发展95
工作生活50
使命价值80
薪资福利
65中等
作为巨头企业的核心算法岗，薪资水平有竞争力，且成长路径清晰，但JD未明确提及具体薪资和常规福利。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
95较高
该职位在AI最前沿的Agent领域，要求掌握算法与系统双重技能，且明确提供了清晰的技术成长路径，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈AI Agent、LLM、RAG、DeepSpeed、vLLM、PyTorch、分布式系统
成长机会清晰的成长路径、沉淀方法论、影响集团级研发范式
业务类型ambiguous
工作生活
50较低
JD未明确提及办公模式和工作时间相关信号，工作地点在杭州，但无法判断具体WLB情况。
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
投身于构建下一代AI基础设施，解决复杂技术难题，对技术极客有较强的意义感和使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号解决真问题、影响集团级研发范式
创新程度积极采用新技术
Watch Jobs