天猫
业务技术-AI Agent 应用优化工程师-商家经营
业务技术-AI Agent 应用优化工程师-商家经营
发布于 39 分钟前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai Agent
Prompt工程
Rag
Sql
上下文工程
工具调用
数据分析
知识库优化
评测体系
值不值得投
72综合评分
综合评分 72
前沿AI Agent优化岗位，技术成长空间大，但工作强度可能较高。
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
比人工智能中位数低
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 160 个在招 · 其中人工智能 11 个
市场机会
选择面较广
杭州 · 人工智能 · 约 190 个在招
职位详情
关于这个职位
作为天猫商家经营AI Agent的优化工程师，你将负责构建评测体系、归因分析、优化知识库与工具链，推动Agent从可用走向被依赖
该职位需要扎实的工程与数据分析能力，熟悉RAG、Agent编排等技术，并具备独立闭环优化能力
适合希望在AI应用落地领域深耕的技术人才
最低要求
本科及以上学历，计算机科学、软件工程、数据或相关专业背景
具备扎实的工程能力与数据分析能力，能独立完成数据处理、指标定义与效果分析，熟悉 SQL 与离线/实时数据链路
理解 AI 应用技术体系，熟悉 Prompt/上下文工程、RAG、Agent 任务编排、工具调用等机制，有实际调优经验
结果导向，对数据敏感，具备良好的问题拆解与根因追查能力，能把模糊的「效果不好」拆成可定位、可验证的具体问题
沟通协作能力好，能与算法、研发、产品和业务高效对齐
工作职责
构建并运营商家经营场景的 AI 效果评测体系，设计评测集与评价标准，落地自动化评测与回归流程，让每一次优化都有可信度量
对 Agent 的失败与劣化样本做深度归因分析，定位问题根因究竟落在知识缺失、Skill 编排、工具能力、上下文构造还是数据口径上，输出可执行的优化结论
依托商家主数据体系持续优化经营知识库，包括知识抽取与补全、质量校验、冲突消解与失效淘汰，保障知识越用越准
优化 Agent 的 Skill 与工具体系，改进任务编排、上下文工程、工具调用成功率与稳定性，提升端到端任务完成率与体验
将线上真实表现持续反哺回评测集与知识库，沉淀可复用的归因方法与优化范式，让优化循环自身不断增强
与研发、算法、产品及业务团队紧密协同，把优化成果转化为可衡量的商家经营效果
优先资格
能独立负责一个业务子域的完整优化闭环，主导评测体系设计与归因方法论沉淀，而非仅执行既有流程
具备体系化优化能力，能识别优化投入的边际收益并合理排布优先级，带动 1–2 名同学一起产出
AI 洞察
优缺点分析
优点
- 依托天猫商家业务，场景真实，优化成果可直接量化
- 公司平台大，资源丰富，可接触海量数据与复杂系统
- 工作内容涉及评测、归因、优化全链路，技能积累全面
- AI Agent技术迭代快，需要持续学习，保持技术敏感度
- 适合对AI应用落地有热情、具备较强工程和数据分析能力、喜欢解决复杂问题并追求技术影响力的工程师
缺点 / 挑战
- 身处AI Agent应用前沿，技术挑战大，成长空间广阔
- 需要同时具备工程、算法、数据分析多重能力，门槛较高
- 业务目标导向，可能面临较大的交付压力
角色解读
- 从优化工程师成长为AI应用专家，主导评测体系与归因方法论建设
- 可向技术管理方向发展，带领小团队负责业务子域优化闭环
- 在AI Agent领域积累深厚经验，成为行业稀缺的落地优化人才
- 构建商家经营场景的AI效果评测体系，设计评测集与自动化回归流程，确保优化有据可依
- 对Agent失败样本进行深度归因，定位知识、Skill、工具、上下文或数据层面的根因，输出优化方案
- 优化经营知识库，包括知识抽取、质量校验、冲突消解，提升知识准确性和时效性
- 改进Agent的Skill与工具调用，优化任务编排和上下文工程，提升端到端任务完成率
- 扎实的工程与数据分析能力，熟练使用SQL，了解离线/实时数据链路
- 深入理解AI应用技术，熟悉Prompt/上下文工程、RAG、Agent编排、工具调用机制
- 具备问题拆解与根因追查能力，能将模糊问题转化为可验证的具体问题
- 良好的沟通协作能力，能与算法、研发、产品、业务多方高效对齐
申请策略
- 了解天猫商家业务场景，思考Agent优化如何提升商家经营效果
- 关注阿里巴巴技术文化，准备展示技术热情和结果导向思维
- 突出AI Agent相关项目经验，尤其是评测、归因、优化闭环的实践
- 强调数据分析能力，展示SQL、数据链路处理的具体案例
- 体现独立负责业务子域优化的经历，说明主导过评测体系或方法论沉淀
- 展示与多方协作的成果，如与算法、产品、业务团队的合作案例
- 深入学习RAG、Agent编排、工具调用等前沿技术，动手实践调优
- 补充知识库管理、评测体系设计的方法论，可参考行业最佳实践
面试指南
- 采用STAR法则：情境-任务-行动-结果，突出量化成果
- 强调系统化思维：从评测、归因、优化到回归的闭环逻辑
- 展示数据驱动：用具体指标和数据分析支撑决策
- 请描述一个你主导的AI Agent优化项目，如何设计评测体系并归因问题？
- 如何定位Agent回答错误是知识缺失还是工具调用失败？请举例说明
- 在优化知识库时，如何平衡知识质量和更新频率？
- 如何衡量Agent优化带来的业务价值？你会设计哪些指标？
- 面对模糊的'效果不好'反馈，你的排查思路是什么？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值75
薪资福利
70中等
JD未提及具体薪资和福利，但作为大厂核心业务岗位，薪资竞争力通常较强，稳定性高。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
岗位涉及AI Agent前沿技术，有明确的成长路径和体系化优化方法论沉淀，发展性极强。
技术前沿前沿/新兴技术
技术栈AI Agent、RAG、Prompt工程、上下文工程、工具调用、知识库
成长机会沉淀可复用的归因方法与优化范式
业务类型profit_center
工作生活
50较低
JD未提及工作模式，但作为大厂技术岗，通常需要现场办公，且业务导向可能带来一定工作强度。
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
75中等
岗位直接推动商家经营Agent从可用走向被依赖，对商家经营有实际价值，使命感较强。
行业发展高速增长赛道
社会影响中性/一般
使命信号直接推动商家 Agent 从可用走向被依赖
创新程度积极采用新技术
Watch Jobs