天猫
业务技术-AI Agent 研发专家-私域详情方向
业务技术-AI Agent 研发专家-私域详情方向
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai Agent
Llm
Prompt工程
Rag
算法工程
值不值得投
76综合评分
综合评分 76
前沿AI Agent技术落地岗位，技术成长空间大，业务价值明确，薪资有竞争力，但WLB信息不明。
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
40K
与人工智能中位数基本持平
发布情况
新岗位 · 昨天发布
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
该职位是天猫业务技术团队的AI Agent研发专家，负责商品类AI Agent核心链路的端到端研发
工作内容包括主导意图理解、任务规划、工具调用、多轮对话状态管理等关键模块的设计与落地，并搭建评测与迭代闭环，驱动技术转化为业务价值
最低要求
计算机、人工智能、数学等相关专业本科及以上学历，2 年及以上研发经验，其中至少 1–2 年 LLM / Agent 方向的落地经验
对 Agent 技术栈有深度理解与实战积累：熟悉主流 Agent 范式（ReAct、Plan-and-Execute、Reflexion、Multi-Agent 协作等）及其适用场景与取舍，熟练掌握 Function Calling / Tool Use、结构化输出、多轮上下文与记忆管理，具备独立设计并交付端到端 Agent 应用的完整经验
RAG 实战经验扎实：熟悉向量检索、稀疏检索、Query 改写、Rerank、上下文构造与压缩，能针对具体业务从 0 搭建一套可用的检索链路，并有实际的效果调优经验
具备明确的指标驱动思维：能自主定义评测指标、构建评测集，拥有 bad case 归因 → 假设 → 实验 → 上线 的完整闭环经验，熟悉 Prompt 工程、Few-shot 设计、Self-Consistency、Reflection 等常见效果提升手段及其适用边界
熟悉 Java / Python，具备扎实的工程功底
能独立完成从原型到生产链路的落地，对服务稳定性、P99 延迟、Token 成本有清晰的量化 sense
具备良好的沟通与协作能力，能在算法、工程、产品、业务多方协同的环境中，把事情推动到有结果
工作职责
负责面向消费者的商品类 Agent 核心链路的端到端研发，主导 意图理解、任务规划（Planning）、工具调用（Tool Use）、技能（Skill）设计、多轮对话状态管理、长短期记忆 等关键模块的设计与落地
搭建 Agent 效果评测与迭代闭环：离线评测集建设、在线 A/B 实验、bad case 归因体系、自动化 Regression，驱动技术能力可度量地转化为业务价值
攻坚 Agent 生产链路的 稳定性、延迟与成本 问题：路由与降级、缓存与并发、Prompt 与上下文压缩、前置分类等算法与工程结合的系统性优化
跟踪 LLM / Agent 领域前沿进展（新规划范式、Agent 协议、长上下文与记忆机制、Reasoning 模型等），推动有价值的技术在业务链路中真实落地
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与和推动LLM与Agent最前沿技术的产业落地，技术成长空间大
- 业务影响大：在天猫核心业务中应用AI技术，能直接看到技术驱动的业务价值
- 平台与资源：依托大型电商平台的丰富场景、海量数据和强大工程基础设施
- 工程复杂度高：需同时兼顾算法效果与生产系统的稳定性、性能和成本，对综合能力要求高
- 跨团队协同：项目涉及算法、工程、产品、业务多个角色，对沟通和推动力要求高
缺点 / 挑战
- 技术挑战高：Agent技术尚在快速发展，需要处理规划、记忆、效果与成本等多维度复杂问题
- 适合具备扎实AI算法与工程双重背景，对LLM/Agent技术有热情和深度思考，追求技术深度与业务价值结合，并能承受一定技术攻坚压力的研发工程师
角色解读
- 技术专家路线：持续深耕Agent架构与算法，成为团队在特定领域（如规划、记忆、评测）的技术权威
- 架构师路线：负责更大规模、更复杂的AI系统架构设计，解决跨域技术难题
- 技术管理路线：带领小团队负责某业务方向的AI技术规划与落地，承担更多业务与管理职责
- 设计与实现面向电商业务的AI Agent核心系统，包括对话理解、任务规划、工具调用和记忆管理
- 构建Agent效果的评测、监控与迭代体系，通过数据驱动方式持续优化算法和工程实现
- 解决Agent在生产环境中的性能与稳定性难题，进行系统性工程优化以平衡效果、延迟与成本
- 跟踪并引入LLM/Agent领域最新技术，探索其在业务场景中的落地可能
- 需要深度掌握主流Agent架构（如ReAct, Plan-and-Execute）和核心技术组件（如RAG, Tool Use, Memory）的原理与实践
- 必须具备扎实的工程能力，能够将原型开发为稳定、高效、低成本的生产系统，熟练使用Java/Python
- 需要有数据驱动思维，能够设计评测指标、分析Bad Case，并完成从归因到上线的完整优化闭环
- 需要良好的跨团队沟通能力，与算法、产品、业务团队协作推动项目落地
申请策略
- 研究天猫在AI应用方面的公开技术分享或文章，理解其业务场景和技术选型偏好
- 思考如何将Agent技术具体应用到'商品详情'或'私域'场景中，准备一些自己的见解或问题，以展示业务思考
- 突出完整的Agent相关项目经历，特别是从0到1搭建或优化某个模块（如规划、RAG、评测）的细节
- 强调工程落地能力，例如如何解决高并发下的稳定性问题、如何优化延迟和成本、如何设计评测体系
- 展示指标驱动的成果，用具体数据说明通过技术优化带来了哪些业务指标的提升（如点击率、转化率、响应速度）
- 体现对技术趋势的跟踪，可以简要提及对ReAct、Multi-Agent等范式的理解与实践
- 深入复习和实践各种Agent范式（ReAct, Reflexion, Plan-and-Execute），最好有可演示的Demo或论文复现
- 巩固RAG全链路知识，尤其是Query改写、Rerank和上下文压缩等进阶优化技巧
面试指南
- 使用STAR法则（情境、任务、行动、结果）来组织项目经验的回答，突出技术选型和量化成果
- 回答设计题时，从用户/业务目标出发，逐步分解技术模块，强调可扩展性和可维护性
- 对于评估类问题，构建一个从离线评测、在线实验到监控告警的完整闭环来回答
- 对于优化类问题，从架构、算法、工程三个层面展开，例如路由降级、缓存、Prompt压缩等
- 请描述一个你独立设计和实现的Agent应用，重点说明架构选择、关键挑战和解决方法
- 如果让你为一个商品问答场景设计Agent，你会如何处理长商品描述、多轮对话和工具调用（如查询库存）？
- 如何评估一个Agent系统的优劣？你会设计哪些离线和在线指标？如何构建Bad Case归因体系？
- 在生产环境中，当Agent的响应延迟或Token成本过高时，你会考虑哪些系统级的优化方案？
职位点评
薪资福利75
成长发展95
工作生活50
使命价值80
薪资福利
75中等
作为大型平台的技术专家岗位，薪资应具有市场竞争力，但JD未明确薪资结构和具体数字，补偿性动机的满足程度有待确认。
薪资信号面议 (30K-50K/月)
成长发展
95较高
该职位是AI Agent前沿方向的研发，要求掌握从规划、RAG到评测的深度技术栈，并跟踪最新进展，能提供极强的技术成长和挑战。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、ReAct、RAG、Function Calling、Prompt Engineering、Java、Python
成长机会推动有价值的技术在业务链路中真实落地
业务类型profit_center
工作生活
50较低
JD未提及任何关于工作模式、办公地点灵活性或工作生活平衡的信息，无法判断其满足程度。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
将先进的AI技术应用于庞大的消费场景，推动业务价值，具有明确的技术使命感和行业影响力，属于高增长赛道。
行业发展高速增长赛道
社会影响中性/一般
使命信号驱动技术能力可度量地转化为业务价值、推动有价值的技术在业务链路中真实落地
创新程度积极采用新技术
Watch Jobs