招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
招聘信息分享
JOBHUNTER
聚合各大厂 / 国企官网招聘信息，实时同步官方数据
1、商家店铺展示优化，提示流量获取能力和转化； 2、保障平台和酒店链接顺畅，搭建良好的合作关系； 3、根据公司运营方向，结合市场现状为酒店运营提供解决方案； 4、实现所辖区域内酒店间夜增长，确保业务快速发展并建立深度业务合作关系； 5、协同产品、运营等内部团队，推动业务及项目落地，持续优化用户体验。
这个岗位不只负责某个页面或单点功能，而是围绕 Agent 如何理解任务、调用工具、与用户协作并最终交付结果，持续优化 Web、桌面客户端和移动场景中的完整产品体验。 我们希望找到一位对 AI Agent 有真实兴趣、愿意动手验证、能够跨产品、设计和技术推进事情的人。你需要能从真实工作流中发现问题，把不确定的模型能力变成可测试的产品方案，并推动它稳定上线。 你将负责 1. Agent 核心体验 负责千问办公 Agent 从任务发起到结果交付的完整链路，包括多轮协作、Session、工具调用、权限确认、过程反馈和异常恢复。 将 Context、Memory、项目空间、历史任务、文件和产物融入 Agent 主链路，让 Agent 在用户授权和可控的前提下理解已有信息。 推动 Web、桌面客户端和移动场景体验一致，并探索自然、清晰、不过度打扰的人机协作方式。 2. 场景与能力产品化 从不同领域的真实工作流出发，发现适合由 Agent 解决的高价值问题，并将用户痛点转化为可实现、可验证的产品能力。 负责 PPT、文档、表格、PDF 等生产力能力的体验和质量，关注内容、结构、版式、过程反馈和失败恢复。 将 Skills、专家套件、MCP Apps、连接器和定时任务自然接入 Agent，并与钉钉消息、文档、AI 表格、AI 听记、日历、待办和审批等企业能力形成连贯体验。 关注不同 Harness、工具协议及企业场景中的权限、安全和数据边界，并转化为清楚、可验证的产品方案。 3. 模型效果与验证交付 理解不同模型和 Harness 在能力、成本、速度和适用场景上的差异，将选择逻辑转化为用户可理解的体验。 建立 Agent 任务评测方法，结合模型、Prompt、Context、工具和 Skills 定位问题，关注任务完成率、人工介入、产物质量、时延和成本。 使用原型、简单代码或 AI 编程工具制作可运行 Demo，通过真实用户反馈、灰度和数据分析尽快验证产品假设。 与设计、前后端、算法、测试、运营和企业客户协作，明确范围、优先级、依赖、风险和验收标准，并推动产品稳定上线。
1. 增长战略制定与 AI 原生营销 ● 制定面向 AI Agent 产品的全链路增长营销战略，深入理解 AI Agent 的核心价值主张与差异化优势，将技术能力转化为用户可感知的产品叙事（Product Narrative） ● 针对 AI Agent 产品的独特采纳曲线（信任建立 → 首次委托 → 习惯养成），设计分阶段的用户生命周期增长策略，覆盖拉新、激活、留存与扩展（AARRR）全链路 ● 持续追踪 AI Agent 行业动态、竞品动向及用户认知演变，识别市场教育机会与增长窗口，为产品与业务战略提供前瞻性输入 2. 内容营销与社区运营 ● 主导 AI Agent 产品的内容营销体系建设，能够深度拆解 Agent 工作流、自动化用例等技术特性，产出面向不同受众（用户、创作者、KOL）的差异化内容 ● 统筹多平台内容矩阵（小红书、抖音、微信生态等），结合 AI Agent 场景化演示、用户案例、行业洞察等内容形态，驱动自然流量增长与品牌心智占领 ● 建立并运营 AI Agent 用户社区，培育 Power User 与行业 KOL，设计从内容消费到口碑裂变的完整传播路径，推动产品在目标群体中的有机扩散 3. 大型 Campaign 策划与执行 ● 独立主导大型增长 Campaign 的端到端执行，包括选题策划、节奏规划、跨渠道协同、素材统筹及上线复盘，确保 Campaign 目标与业务增长指标强绑定 ● 围绕产品重要节点（新功能发布、重大版本迭代、行业峰会等）设计整合营销事件，将单点声量放大为持续的品牌与增长势能 ● 建立 Campaign 管理的标准化流程与协作机制，高效调动产品、设计、研发、销售等跨部门资源，在复杂项目中保持执行质量与交付节奏 4. 数据驱动与增长实验 ● 搭建增长营销的核心数据看板，监控全链路转化漏斗（曝光 → 激活 → 首任务完成 → 留存 → 付费转化），敏锐识别增长瓶颈与高潜机会 ● 设计并持续推进 A/B 测试实验体系，覆盖落地页、Onboarding 路径、关键触达文案等环节，通过数据闭环驱动持续优化 ● 深度利用 AI Agent 产品自身的数据资产（用户任务日志、功能使用路径、会话质量数据），提炼真实用户行为洞察，反哺营销策略与产品迭代 5. 跨部门协同与增长飞轮 ● 与产品团队紧密协作，将一线营销洞察（用户痛点、认知障碍、高频用例）系统性反哺产品规划，影响 Roadmap 优先级 ● 推动建立以增长为导向的跨职能协作文化，对用户增长与业务营收目标共同负责
1、 酒店拓展：拓展区域优质酒店，保证区域供应链完整、拿回优势价库； 2、价库运营：结合平台工具和资源，做好基础信息维护、工单处理、平台重点项目的落地执行，提高间夜产出； 3、商户问题处理及关系维护：解决商家遇到的如操作、财务、订单、商品优化等方面的问题，并通过高频次拜访，帮商家解决具体问题及维护与商家的关系。
（1）根据市场与行业客户现状，制定区域业务规划，平衡快递网点、消费者、网络运营及政府监管等多方需求，推动驿站业务持续、健康增长； （2）整合内外部资源，推进总部运营策略在区域的有效落地与执行； （3）负责区域站点及网点的日常运营监控与异常问题处理，保障运营稳定； （4）组建并管理属地化团队，提升站点服务质量与用户体验，优化站点经营环境与生存能力。
我们是阿里巴巴智能引擎事业部搜索引擎平台团队，以平台化的方式支持淘宝、天猫、高德、淘宝闪购等各个集团公司的搜索业务。现诚邀热爱搜索引擎的优秀工程师加入，主要工作内容和挑战如下： 1. 参与阿里巴巴集团内使用最广泛的搜索引擎平台的系统设计和工程实现； 2. 负责智能引擎事业部向量检索、AI搜索、大数据检索分析场景的引擎内核研发工作； 3. 深入理解产品和业务，研究和探索创新的开发思路和前沿技术，建设业界领先的搜索引擎平台；
1. 推动大模型在搜索系统的落地，利用大模型升级召回链路，探索生成式召回、语义召回、检索增强等技术； 2. 负责大模型的训练与效果优化，包括监督微调（SFT）、强化学习及相关后训练技术，结合搜索业务数据持续提升模型效果； 3. 构建面向搜索算法研发的智能Agent，将大模型应用于效果评测、问题诊断及策略优化的全链路优化，全面提升算法迭代效率和效果； 4. 跟进大模型及搜索领域的前沿研究，阅读并复现相关论文，结合实际业务场景推动新技术落地； 5. 深入理解搜索产品及业务，参与在线搜索服务研发，推动算法在高并发、低延迟场景下稳定运行，服务大规模搜索用户。
1、负责判断休食相关品类的市场流行趋势，开发引进新的供应商，打造符合盒马超盒算NB爆品与精品，确保品类竞争优势； 2，负责目标消费群体调研，基于消费者洞察制定相关的商品品类规划和商品运营策略； 3、负责供应商资源管理：收集和分析供应商信息，落实供应商过程控制管理工作并制定有效的采购策略，建立稳定的供货渠道； 4、负责采购流程的搭建与优化，监督其有效运作：组织制定和完善采购管理、库存管理、出入库管理各项管理制度，降低采购成本与采购周期；
1. 负责所支持的业务部门招聘策略的制定，并根据公司人力资源规划和相关规定，实施招聘计划； 2. 招聘渠道体系建设和优化，赋能渠道，提升效能，保障渠道的活跃与产出；管理并推进招聘渠道创新，并不断使用新的理念和平台来探索新的招聘方法； 3. 横向拉通招聘项目的执行与结果的达成，协调资源，促进沟通，及时发现问题，并能促成问题的解决； 4. 优化招聘流程和机制，设计产品，运营人才市场，完善人才库，建设并探索创新的招聘平台，助力组织和业务的升级。
1. 负责城市内医药商家的整体运营，为行业城市份额增长负责； 2. 制定并落地区域医药商家分层运营策略，涵盖入驻拓展、商品供给优化、活动策划、流量协同及履约协同等全链路运营动作，管理商户紧跟平台运营策略和落地； 3. 深度对接本地连锁药店、区域品牌方等核心医药生态伙伴，推动商户线上化能力建设与即时零售销售规模提升，提升商家淘闪侧平台份额增长； 4. 基于城市业务数据及行业趋势，定期输出运营复盘报告与增长建议，驱动本地医药生态健康可持续发展。
我们正在从 0 到 1 搭建 Work（AI 协同办公）方向的 RL/RFT 训练数据体系，覆盖多个专业领域。端到端负责一个（或多个）领域的数据集从任务定义、instance 构造、reasoning 生成到分层验证的全链路，是模型训练飞轮里承上启下的关键位置。 1. 领域任务体系搭建（Taxonomy 设计） 对法律专业领域做结构化拆解：一级领域 → 二级场景 → 任务类型 → instance 模板，产出可复用、可扩展的标注体系。 2. Instance 与 Reasoning 构造 设计 instance 结构（instruction + context + reasoning + output），并针对不同任务选择合适的 reasoning 获取路径（强模型蒸馏、模板化拆解、真实文本抽取、人机协作等）。保证 reasoning 是 SFT/RFT 训练可直接使用的高质量推理链。 3. 分层验证方案设计 针对不同任务定义分层校验机制：规则硬匹配 → 结构完整性 → LLM-as-judge（将主观判断拆解为 yes/no 子问题）。把"评价推理质量"这类模糊问题降维为可自动化、可追溯的子任务。 4. Rubric 与评分标准建设 制定各方向 Rubric、评分分级与标注案例库，定义黄金集（golden sets）和奖励信号（reward signals），确保训练数据质量可量化、可迭代。擅长大批量生成高质量 rubric，而不是拍脑袋写几条规则。 5. 轨迹标注与 Bad Case 归因 对模型 Rollout 产出的多步执行轨迹进行逐步标注（正确性 / 必要性 / 思考质量 / 整体 Reward），并对失败步骤做根因分类（模型能力不足 / 评测标准缺陷 / 任务定义模糊 / 运行依赖缺失），输出结构化改进清单驱动训练数据补充与评测体系修正。 6. 标注质量管控 建立双标一致性校验、金标抽检、系统性偏差检测与分歧仲裁机制，管理外部数据供应商交付质量、运营内部专家产能，确保标注间一致率 ≥80%，数据可直接用于 Reward Model 训练。 7. 外部协作与专家资源整合 与高校老师、领域专家协作定义验收标准、评审样本、迭代规范，把外部资源转化为规模化精标数据；管理供应商时能给出清晰的标注规范、边界案例和仲裁依据。 8. 数据 → 模型 → 评测 闭环 周期性输出数据质量报告，识别模型能力薄弱区间，指导算法团队调整 Rollout 抽样策略与难度分布；随模型迭代补充更高难度标注数据，保持 Reward Model 区分度。
1. 负责搜索垂直行业C端产品导购设计，洞察消费者需求与导购路径，探索AI创新导购方案，提升消费者品类宽度与购买转化率。 2. 深度了解行业发展需求，从整个行业的视角思考货品-价格-服务的行业增长机会点。探索搜索端到端的行业解决方案，包括搜前渠道联动，搜索结果页方案设计，流量机制策略等。 3. 协同技术、运营、设计团队，制定项目计划并推动执行，确保目标达成及资源高效利用； 4. 通过数据分析拆解用户行为路径，驱动产品迭代与策略优化，提升核心指标如用户留存率、活跃度及转化率；
一、评测体系设计与指标定义： 把模糊的"用户预期未达成 / 效果不好"拆解为可量化、可归因、可执行的指标。对上负责电商搜索全链路（Query 理解、相关性、丰富性性等）的指标体系建设；面向 LLM、Agent、工具调用、多轮推理等场景，构建科学、可扩展的能力评测维度（指令遵循、推理、幻觉、安全性、工具调用等）。建立离线评测、在线人巡、A/B 测试、人工主观评估相结合的分层框架，覆盖端到端体验与质量监控。 二、数据流、流程建设与人机协作： 制定样本采样策略、标注 SOP、Badcase 分类体系，沉淀高质量评测样本集与测评集。推动大模型（LLM-as-a-judge）在规模化评测中的落地，设计 Prompt、校准机制与人工评审标准，实现自动评测与人工评测的互校验。 搭建"标准—评测—数据反馈"的闭环机制，向模型训练与方案迭代产出可用于训练的高质量偏好数据与奖励信号，提升迭代效率与评估标准的合理性。 三、问题洞察与深度归因 深入分析用户反馈、评测数据及日志，对搜索结果及 Agent 执行链路中的 Bad Case 进行系统性归因，准确定位算法策略（召回、粗排、精排、决策/工具调用等）及产品功能的硬伤，定期输出评测问题归因报告。 持续跟踪行业前沿 Benchmark、评测方法与模型能力演进，做竞品对比与行业研究，探索更贴近真实业务场景的评测范式。 四、业务驱动与闭环落地 ● 将评测结论转化为算法、产品、运营可落地的优化方案，建立闭环验证机制，量化策略迭代与模型迭代的业务价值，推动复杂跨团队项目落地。以推动算法、模型和产品真正改好为目标，而非以"产出评测报告"为终点。 ● 典型产出〔可按需保留/调整〕：定期评测问题归因报告、可复用的评测样本集与测评集、LLM-as-judge 校准方案与人工评审标准、支撑决策的竞品/行业研究。
职位描述： 1、参与打造 Qoder 面向未来的 AI Native 平台，以 Agent 作为系统中的一等参与者，重新思考任务、协作、执行和交付应当如何被组织； 2、聚焦于让 Agent 更稳定、更自主地完成复杂任务，在真实场景中持续探索 Agent 自动化的边界，并将经过验证的方法沉淀为可复用、可持续演进的平台能力； 3、深入真实用户场景，识别适合 Agent 自动化的问题，通过原型、实验和持续迭代，拓展 Agent 自主完成复杂任务的边界； 4、设计并建设 Agent 核心架构，持续完善上下文管理、任务规划、工具调用、记忆、知识检索、多 Agent 协作和人工介入等能力； 5、建立 Agent 从理解目标到交付结果的完整运行闭环，让执行过程可追踪、可干预、可评估、可恢复，并支持经验和能力持续复用。
1、你负责的不是常规业务页面，而是 AI Agent 与真实开发环境之间的核心交互层。你将面对实时协议、分布式状态、跨设备接续、多代理和多模态等前沿问题； 2、移动端拥有独立的产品价值和架构空间，不是 Web 功能的简单移植。你的工作将直接决定用户能否放心地把更大、更长、更复杂的工程任务交给 Agent； 3、我们尤其欣赏这样的人：能把复杂状态画清楚、说清楚、测清楚；遇到偶现问题会追踪事件序列，而不是简单增加刷新；尊重原生平台特性，同时愿意维护跨端业务一致性；能留下架构、测试和诊断资产，而不只是可运行的代码。
我们致力于打造新一代 AI Agent 产品，让 Agent 能够独立承接复杂任务、持续交付真实成果。现招聘产品经理加入 Qoder/Qoderwake，共同推动产品价值与用户规模增长。 1. 参与 AI Agent 产品的规划与落地，明确产品定位、核心价值和演进路径； 2. 深入理解用户需求和真实场景，将复杂问题转化为清晰、可验证的产品方案； 3. 关注 AI 技术和行业趋势，持续探索新的产品形态、用户体验和增长机会； 4. 通过用户研究、数据分析和持续实验，推动产品体验与业务指标提升； 5. 与算法、工程、设计、市场及运营团队紧密协作，推动关键项目落地； 6. 根据个人经验和能力，重点负责以下方向之一： - QoderWake 方向：负责数字员工的产品规划、核心体验和重点场景落地； - 用增与官网方向：负责 Qoder 横向用户增长、官网建设及转化链路优化。
训练方向： 负责分布式训练框架的设计与优化，支撑医学大模型（LLM及多模态）的预训练、SFT微调、Post-Training（RLHF/GRPO/PPO等强化学习对齐）全流程训练任务。 构建高效稳定的训练数据Pipeline，包括数据预处理、数据加载与调度、Checkpoint管理（异步快照、分布式Checkpoint、断点续训）等基础设施。 优化大规模分布式训练的性能与稳定性，包括并行策略设计与调优（数据并行/张量并行/流水线并行/序列并行）、MoE架构训练与专家并行（Expert Parallelism）、FP8/BF16混合精度训练、长上下文训练（Ring Attention/Context Parallelism）、通信拓扑优化等。
1 负责搜索排序模块的开发，包括但不限于相关性、点击率、时效权威性、多样性等多目标排序，提升搜索结果的满意度。 2 深入研究基于LLM的相关性模型、重排模型等，提升搜索多目标排序能力，解决长尾query下排序泛化问题。 3 负责多目标排序体系的建设，包括特征体系、训练框架、abtest机制、评估标准等。 4 探索基于长行为序列的排序建模，提升端到端的搜索转化率。
职位描述（Responsibilities） 1. 负责AI搜索核心算法方向建设，围绕LLM Search、GenSearch、RAG、Agent Search设计并落地检索、重排、生成、反馈闭环等关键能力，支撑新一代搜索体验升级。 2. 大模型后训练（Post-training）：负责搜索场景下大语言模型（LLM）的微调与对齐，包括高质量SFT数据建设，以及利用强化学习（如PPO、DPO、GRPO等）进行人类/AI反馈对齐（RLHF/RLAIF），提升大模型在搜索问答、查询理解和医学推理总结上的能力。 3. 搜索Agent与智能检索：设计并落地基于LLM的搜索Agent架构，实现复杂Query的任务拆解（Planning）、查询改写（Rewriting）、工具调用（Tool-use/Browsing）、自我反思（Self-Reflection）与动态决策流，落地工业级Skills。 4. 主导建设面向AI搜索的数据飞轮与评测体系，包括垂直领域专家级训练数据构造、偏好数据生产、自动评测、人工评测、线上实验与Badcase闭环，形成可持续迭代的算法生产机制。 5. 与工程、产品、数据团队协作，在大规模、高并发线上环境中推动算法架构演进，兼顾效果、时延、稳定性与成本，实现前沿技术向业务价值的高效转化。
1、负责千万级医学文献 Citation Graph（引用图）的构建、维护与优化，支撑大规模科学证据网络建设。 2、负责医疗领域 Evidence Evolution（证据演化）、Evidence Chain（证据链）及 Evidence Network（证据网络）相关图算法研发，挖掘医学知识之间的关联关系与演化规律。 3、探索并落地 GraphRAG、Knowledge Graph、Graph Neural Network（GNN）等前沿技术，结合大语言模型（LLM）提升科学证据检索、聚合与推荐能力。 4、参与 Scientific Retrieval（科学检索）算法研发，结合 Citation、Semantic、Graph 等多种召回方式，提升医学文献搜索的准确性、完整性和可解释性。 5、基于离线评测及线上实验数据持续分析 Badcase，优化图算法效果与系统性能，提升大规模图计算的稳定性和效率。