天猫
业务技术-AI应用优化工程师-智能营销方向
业务技术-AI应用优化工程师-智能营销方向
发布于 大约 16 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
A/B实验
Autoresearch
Llm
因果推断
多Agent系统
机器学习
电商营销
算法
自迭代系统
值不值得投
74综合评分
综合评分 74
技术前沿、业务价值大、成长天花板高的电商AI核心研发岗，对综合能力要求高，工作生活平衡信息不明。
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
35K
与人工智能中位数基本持平
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 140 个在招 · 其中人工智能 10 个
市场机会
选择面较广
杭州 · 人工智能 · 约 300 个在招
职位详情
关于这个职位
该职位是天猫智能营销团队的核心技术岗，专注于利用AI Agent和LLM技术优化店铺智能优惠等营销活动
你将负责从人群洞察到营销动作的智能闭环设计与落地，攻坚营销Agent的业务落地难题，并搭建效果度量与迭代体系，目标是驱动AI规模化落地以提升营销ROI
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，3年及以上研发经验，其中至少1-2年LLM / Agent方向的落地经验
电商营销项目经验丰富，具备强跨团队推动力：熟悉电商营销技术体系设计，能独立设计并交付端到端营销解决方案
具备优秀的沟通与协作能力，能在算法、工程、产品、业务多方协同的环境中把项目推动到有结果
对Agent技术栈有深度理解与实战积累：具备长程任务（long-horizon）Agent的设计与落地经验，熟悉上下文工程（context engineering）、任务规划与子任务分解、工具编排与并行调用、自我反思与错误恢复等关键能力的工程化实现
理解Multi-Agent协作中的角色划分、通信协议与冲突消解，能针对业务场景在Single-Agent深度 vs Multi-Agent广度之间给出合理取舍
关注Agentic RL、Skill Learning、Tool / Sub-agents体系化建设等前沿方向并有自己的判断，能独立交付端到端Agent应用并对每一环节的选型给出充分依据
具备Agent / Harness框架层与自迭代闭环的动手能力：有主导或深度参与Agent Harness（调度循环、工具调用协议、上下文拼装、Token与预算控制等）设计与实现的经验
在记忆模块上有体系化设计——能清晰区分短期上下文、会话级记忆、长期用户/商家记忆与知识型记忆的边界，熟悉写入/召回/淘汰/一致性策略，具备向量检索、结构化记忆、事件流记忆等多种方案的落地取舍经验
在AutoResearch / RSI（Recursive Self-Improvement）方向具备可复用的奖励与评估方法论——针对营销/推荐类稀疏、延迟、多目标反馈场景，具备自建可校准的多层评估框架 / benchmark能力
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
同时具备扎实的算法基础，熟悉常用机器学习/统计学习方法（如分类、聚类、预测、因果推断/Uplift等），能结合业务问题完成特征构建、模型选型、离线评估与线上效果验证
熟悉大模型基本原理、Fine-tuning、RLHF等优化手段者优先
工作职责
负责店铺智能优惠面向增量人群的AutoResearch系统端到端设计与落地，主导人群策略自动生成、营销场景编排、投放节奏规划、效果归因与策略自迭代等核心链路
构建人群洞察到营销动作的智能闭环，完成增量人群圈选与分层、触达时机与权益匹配、A/B实验自动化、ROI预估模型校准，将运营经验沉淀为可复用的AI决策规则
攻坚营销Agent的业务落地难题：商家差异化诉求抽象、多活动并行冲突消解、资金安全与合规约束下的自动化边界定义，在“全自动”与“人在回路”之间找到最优平衡点
搭建AutoResearch的效果度量与迭代体系：定义核心北极星指标、建设离线回放与在线对照实验框架、bad case归因与策略修正闭环，驱动系统能力可度量地转化为增量业务结果
跟踪AI + 营销领域前沿实践（自动化投放、个性化定价、Agent驱动的运营工作流等），识别高ROI的技术杠杆点，推动电商营销领域AI规模化落地
优先资格
熟悉大模型基本原理、Fine-tuning、RLHF等优化手段者优先
AI 洞察
优缺点分析
优点
- 业务价值大：所做的工作直接影响核心营销指标（如ROI、增量），成果可见性强
- 平台资源好：背靠大型电商平台，拥有丰富的业务场景、数据资源和工程化支持
- 技术实现难度高：需要在复杂的业务约束下（商家差异、活动冲突、资金安全）实现AI的可靠自动化
- 业务复杂度高：需要深度理解电商营销逻辑，与产品、运营等多方持续协同，对沟通和推动力要求高
- 适合对AI Agent技术有热情、具备较强工程实现能力、对电商营销业务感兴趣，并乐于解决复杂业务场景下技术落地问题的中高级研发工程师
缺点 / 挑战
- 技术前沿：直接参与LLM和Agent技术在顶级电商平台的规模化落地，技术挑战高，成长快
- 要求综合能力强：岗位要求兼具算法深度、工程广度和业务理解，是复合型挑战
角色解读
- 深耕AI Agent在商业领域的应用，成为该方向的技术专家或架构师
- 向更综合的技术负责人发展，主导大型AI营销平台的规划与建设
- 转型为AI产品专家或技术管理者，连接技术与业务价值
- 设计与开发基于大模型和Agent的智能营销系统（如AutoResearch），实现营销策略的自动化生成与迭代
- 解决AI在复杂电商营销场景落地的实际问题，平衡自动化程度与业务安全、合规要求
- 构建和完善系统的度量与实验框架，用数据驱动系统优化和业务结果提升
- 跟踪AI前沿技术，并将其转化为可规模化的营销解决方案
- 精通LLM与Agent技术栈，包括任务规划、工具调用、记忆系统设计与实现
- 具备扎实的工程能力，能独立完成从原型到高可用生产系统的全链路开发，并关注性能与成本
- 拥有电商营销领域的业务理解和项目经验，具备出色的跨团队沟通与推动能力
- 掌握机器学习基础算法和大模型优化技术（如Fine-tuning、RLHF）
申请策略
- 在简历或面试中，展现你对“如何将运营经验AI化/规则化”这一问题的思考
- 提前了解天猫/阿里电商营销的基本模式和常见挑战，表明你对业务有基本认知
- 面试时准备一些你过去遇到过的、需要平衡技术理想与业务现实的例子
- 重点突出在LLM/Agent、自动化决策系统或推荐算法方向的具体项目经验，尤其是端到端落地的案例
- 强调在电商、营销或增长领域的项目成果，用数据（如ROI提升、效率提升）量化业务价值
- 展示复杂系统设计能力、跨团队协作经历以及解决技术-业务交叉问题的思路
- 列出与职位相关的技术栈，如LLM框架、向量数据库、实验平台、特定机器学习算法等
- 深入学习并实践Agent框架（如LangChain, AutoGen）和长程任务规划技术
面试指南
- 采用STAR法则，清晰描述项目背景(S)、目标(T)、你的具体行动(A)和最终结果(R)，突出技术选型和难点攻克
- 采用分层或模块化的思路回答系统设计问题，先定义核心目标，再拆解关键模块（如感知、规划、执行、记忆、评估），并阐述模块间交互
- 强调数据驱动和闭环思维：从指标定义、实验设计（离线/在线）、问题诊断到策略优化，形成完整链条
- 请介绍一个你主导或深度参与的、涉及Agent/LLM的完整项目，重点说明你解决了哪些技术难题？
- 如果让你设计一个面向电商商家的智能营销Agent，你会如何规划其核心能力模块和交互流程？如何处理商家差异化的诉求？
- 在自动化决策系统中，如何设计效果评估体系？当线上效果不及预期时，你会如何进行归因和策略迭代？
- 如何看待“全自动”与“人在回路”在营销自动化中的平衡？请结合具体场景说明
- 为了支撑大规模的Agent调用和记忆管理，在工程架构上你有哪些考虑？如何平衡效果与Token成本？
职位点评
薪资福利80
成长发展95
工作生活40
使命价值65
薪资福利
80较高
该职位属于大型科技平台的正式技术岗位，通常能提供具有市场竞争力的薪酬福利和职业稳定性。
薪资信号面议 (25K-45K/月)
成长发展
95较高
该职位涉及AI技术最前沿的Agent与LLM落地应用，技术挑战大，且能接触亿级用户的复杂业务场景，为个人技术深度和商业洞察力的成长提供了极佳平台。
技术前沿前沿/新兴技术
技术栈LLM、Agent、AutoResearch、RLHF、向量检索、Uplift Modeling
业务类型profit_center
工作生活
40较低
职位描述未明确提及工作模式和WLB相关信息。基于对岗位性质（解决复杂业务难题、跨团队推动）和行业特点的普遍认知，对候选人的投入度和抗压能力可能有较高要求，但此为推测而非JD明确信息。
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
65中等
该职位通过AI技术提升电商营销效率，直接服务于商家的商业成功和平台增长，其社会影响力主要体现在商业效率提升层面，属于中性价值。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs