共 2454 个在招岗位 · 阿里巴巴在杭州的最新招聘信息
1.深入洞察用户需求，探索医生的新场景和新需求； 2.快速迭代，通过小范围的试验确定工具的未来规模；
1、负责阿里国际电商知识产权治理，包括商标权、著作权、专利权等各类侵权风险应对，保障合规的同时，平衡业务发展。 2、数据驱动：通过指标监控和数据分析，及时掌握风险及业务的变化，根据实际情况持续优化调整权利人的投诉应对策略，及商家的申诉体验策略。 3、全链路建设：参与平台知识产权治理体系的建设，协同主动防控、产品、算法等团队，设计、迭代从风险感知到治理落地的AI驱动全链路体系。 4、跨团队合作：协同法务、品牌合作等团队，建设有效的对内和对外合作机制，协同内外部资源，牵头重点问题项目化解决。
1. 从全链路视角推进物流全链路的运营优化，建立标准、运营规则、横向协同机制，推进运营管理手段产品化。 2. 对发现的结构性和设计性问题，形成对于物流产品的迭代需求，制定解决方案推进落地。 3. 通过数据分析和收集，整理业务相关问题，并形成数据分析体系，汇总核心问题，形成复盘机制。 4. 针对具体的客户体验问题，找到解决体验的提升方案并项目制度推进落地。
1. 从用户视角持续完善淘宝AI搜索满意度评价体系，深入洞察和分析用户问题，用好的evaluation牵引搜索结果不断向更好的体验进化； 2. 在泛消费意图和全模态的query输入方式下，设计搜索承接方案，包括但不限于召回/排序/相关性/SRP展示等策略创新及优化方向规划，驱动核心用户目标增长; 3. 结合淘宝电商供给特点和行业优势，基于数据和AI驱动设计策略，打造「惊喜」的用户体验； 4. 与算法、评测标注、商业广告、行业运营等团队深入协作，制定兼顾用户价值和商业价值的解决方案，保证平台生态良性发展。
1. 负责淘宝推荐商品、素材供给平台的产品规划与落地，搭建高效、稳定、可扩展的供给能力。 2. 设计并迭代供给侧的准入策略，持续提升商品和素材的供给丰富度、供给质量，并最终影响大盘消费指标的增长。 3. 探索 AI 大模型在供给策略智能化方向的应用，推动 AI 能力在推荐供给场景的产品化落地。
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。
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. 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。
负责公司核心业务场景下的 AI Agent 系统设计、研发与落地推进，以 Agent 为核心交付形态，探索并验证公司核心业务的智能化应用范式。你将参与从需求洞察、方案设计、系统构建到持续演进的全流程，不仅需要完成面向业务的 Agent 能力建设，也需要通过 Harness Coding / 半自动化研发方式 持续提升 Agent 的构建效率、可验证性与可复用性，沉淀可持续演进的 Agent 研发基础设施。 【需求理解与诊断】 1、深入业务前线，主导原子级需求分析，识别业务流程中的低效或痛点环节，挖掘可被Agent重构的业务场景； 2、同时具备业务敏锐度和解决方案的清晰视角。 【知识与体系构建】 1、围绕业务场景深度参与系统化AI Agent能力的构建，主导多Agent的协同体系设计与落地； 2、通过对业务知识的深度理解和提炼，构建可被Agent高效利用的知识与系统能力。 【模型与工具创新】 1、负责AI Agent关键能力的研发，实现复杂任务的自动化与智能化决策； 2、将业务知识转化成模型可理解的语义结构，构建以业务为中心的Agent智能体系，实现从业务洞察到原子能力升级的闭环。 【Harness Coding 与研发提效】 1、 在研发过程中建设和持续优化Harness组件； 2、 推动Harness Coding半自动化研发，提升开发效率、验证能力和复用水平； 3、 持续沉淀可复用的skill资产，支撑更多组织提效的场景。
我们正在寻找一位以 AI 为核心生产力的后端工程师——不是传统意义上"会用 AI 工具"的开发者，而是能在扎实的 Java 工程功底之上，借助 AI 把个人产能放大数倍、独立交付端到端产品的超级个体。 你将深度参与 AI 产品与平台的建设，用 Cursor、Claude Code、Qoder、Codex 等 AI 编程工具重新定义开发效率，从需求理解、服务设计、编码实现到测试上线，实现全链路独立交付。前端不是你的主战场，但你交付的东西要能真正跑到用户面前。 ## 【岗位职责】 1、以 AI-Native 工作流（Cursor / Claude Code / Qoder / Codex / Agent 辅助）独立完成产品功能的端到端交付，以服务端设计与实现为主体，覆盖需求分析、方案设计、接口与数据模型设计、联调、测试部署全流程。 2、主导或深度参与 AI 产品原型的快速验证，从 0 到 1 构建可交付的 MVP，包括 Agent 应用的服务端编排、内部效能工具、数据平台功能模块。 3、持续探索 AI 编程工具链的最佳实践，建立团队 AI-Native 开发规范（Prompt Engineering、Context Engineering、代码审查与质量保障策略）。 4、参与核心系统的架构优化与性能治理，确保 AI 辅助生成的代码满足工程质量标准（可维护性、可测试性、安全性、高可用）。 5、与产品、设计、前端协作，具备独立拆解需求、细化接口与交互边界的能力，减少协作链路中的等待损耗。
AI 搜索场景下的大模型后训练与效果优化。 职位描述 1、负责 AI 搜索场景大模型的后训练与效果优化，提升模型在内容理解、复杂推理、答案生成及工具使用等方面的能力。 2、建设 AI 搜索大模型的数据、评测与奖励体系，包括高质量 SFT 数据构造、偏好数据生产、自动与人工评测、Query-specific Rubric 设计及 Reward Model 训练。 3、探索并落地 SFT、DPO、PPO/GRPO、Rubric RL、Agentic RL 等后训练方法，持续优化模型的指令遵循、事实准确性、推理能力、搜索决策与结果生成质量。 4、面向 LLM Search、GenSearch、RAG 和 Agentic Search 等场景，优化工具调用、自我反思和动态决策等关键能力。 5、协同搜索算法、产品、数据与工程团队推进模型上线，确保模型在实际业务中的效果、稳定性、时延与成本，并建立持续迭代机制。
1、端到端负责智能硬件产品光学与显示系统测试以及相关显示上层应用与算法测试工作，分析输出完备的测试方案并完成测试任务，对测试过程中所遇到的问题持续进行改进；测试方案的制定，用例设计及相关的测试工作； 2、参与前期产品方案的选型，分析产品可能存在的风险，制定关键部件的硬件测试标准。 3、组织分析新形态竞品产品竞争力表现，持续与行业头部产品跟进和对标，保持产品显示质量稳定及体验领先； 并搭建显示实验室并完善相关测试用例， 4、负责显示自动化测试平台的搭建，提升显示测试效能，满足业务发展需求。 5、处理市场质量FFR问题，并跟进逆向改进与问题闭环。
1、 搜索AI产品的迭代落地：聚焦淘宝搜索的功能迭代与体验优化，结合LLM能力与电商用户心智，把产品想法拆解为可执行的方案并推动上线，对功能效果负责。 2、 生成式搜索体验的探索与打磨：参与生成式导购、多模态检索等创新产品的设计与落地。围绕"模糊意图识别 → 结构化/生成式结果呈现"，优化用户的购买决策路径，提升复杂查询下的满意度与转化。 3、 需求增长与业务结果驱动：挖掘搜索场景下的用户与业务需求，识别增长机会点，设计能带动核心指标增长的产品策略，并通过AB实验验证、迭代，持续放大业务价值。 4、 技术与商业的结合：理解LLM、NLP、RAG、Agent等技术的能力与边界，与算法、工程团队紧密配合，把技术能力转化为可落地的产品价值，同时兼顾用户体验、算力成本与商业化效率。 5、 数据驱动的产品闭环：参与搭建AI搜索的评估体系，既看核心交易指标，也关注AI生成质量；用数据洞察驱动模型迭代与产品优化，形成"上线—衡量—改进"的正向循环。
1、负责心率、HRV、血氧、血压估算、睡眠分期、运动伪影消除等健康算法的评测方案设计、基准数据集构建与评测工程实现，确保算法精度与鲁棒性满足产品需求。 2、建设面向健康场景的大模型评估体系（Benchmark），设计生理数据 + 用户画像多模态输入的评测集，覆盖健康状态推理、趋势分析、个性化建议生成等任务；建立评测结果的智能化判定与人工校准机制，输出专业评测报告。 3、针对 MCU/低功耗芯片上的模型量化（INT8）、剪枝与 DSP 优化，设计精度损失评估与性能（功耗/时延/内存）评测方案，验证端云一致性。 4、主导健康功能从算法版本、固件到 App 的全链路测试，制定评测规范与准入准出标准，识别并推动风险收敛。 5、追踪生理信号处理、多传感器融合与大模型评测领域的前沿进展，将新方法落地到评测工具链；协同算法、固件、产品、硬件等多角色团队，驱动问题闭环。
1、负责千问AI硬件智能穿戴类产品上出行办公健康支付等AI应用的质量保障工作，构建和完善软硬件一体的AI应用的端到端质量保障体系； 2、覆盖AI多模态应用的端到端全链路（固件OS、APP、大模型）质量，参与用户体验评测体系建设，深入用户场景挖掘体验问题，推动问题闭环和体验优化，保障用户的端到端体验； 3、参与AI应用垂域场景的测试Agent开发，建设沉淀领域测试Skill和知识库，提升测试效能； 4、与大模型、软硬件产研团队紧密协作，建立质量度量、线上指标与用户体验监控机制，为产品体验优化和模型迭代提供数据支撑。
1、负责智能硬件或AI硬件的使用用户生命周期管理，新激活硬件引导、月活跃天数提升； 2、负责智能AI硬件用户分层标签体系构建，搭建用户分层模型（如RFM、使用频次分层、功能偏好标签）； 3、对接PD，0-1搭建AI硬件的营销能力和用户触达能力； 4、负责会员福利日运营，提升会员福利价值，增加付费用户忠诚度和粘性； 5、负责用户活动运营，通过福利/权益/年报等，在51、十一等大型节假日，设计主题活动，让用户持续保持关注； 6、用户保活核心专项推动，解决用户使用痛点，作为PM专项推动解决。
1、参与 AI 产品核心体验设计与持续优化，包括但不限于：Chat / Skills / 多模型能力等基础功能；从用户视角出发，梳理关键使用路径（Onboarding、首个任务、结果反馈等），提升渗透率和成； 2、能够策划并落地围绕 AI 能力的运营活动（拉新、促活、转化、留存等），设计活动链路与转化承接，提升用户对产品能力与会员价值的认知； 3、能够建立关键运营指标体系（功能使用、留存、转化、渗透率等），基于数据分析用户行为与问题，提出优化建议并推动落地，对活动和功能效果进行复盘，形成可复用的方法论； 4、能够协同产品、算法、设计，推动功能快速迭代与体验落地，建立产品核心指标看板（如：日佩戴时长、语音交互成功率、功能渗透率、OTA 升级率、APP 留存率）；定期输出《产品健康度报告》，用数据证明哪些功能受欢迎，哪些设计存在缺陷，直接驱动产品路线图（Roadmap）的调整； 5、用户教育与运营体系建设：设计“开箱即用”的引导流程，确保用户 10 分钟内完成配对并体验第一个 AI 功能；梳理用户从“开箱 -> 配网 -> 首次交互 -> 日常佩戴 -> 充电维护 -> 故障报修”的全流程触点，识别体验断点，推动产研团队进行针对性优化； 6、能够结合 AI 能力（模型、多模态、Skills、工具调用等），探索新的用户玩法与轻量互动形式，实现普通用户也能理解和愿意用的产品形态。
1. 构建AI眼镜及相关AI硬件的体验评测模型、标准及量化指标体系，覆盖多场景、多地域用户行为，支撑全球化产品体验评估； 2. 策划并执行全链路用户体验测试（如国内Beta测试、海外Beta测试、体验走查、可用性测试等），结合定量与定性方法，诊断产品体验问题，明确产品体验优劣势，客观评估产品体验质量； 3. 建立并运营面向全球市场的高价值Beta用户社群，具备海外Beta用户招募、筛选、激励与管理经验；能通过分层招募策略、结构化反馈和持续互动，高效收集真实使用数据，支撑产品快速迭代与体验优化； 4. 持续开展竞品与行业体验对标分析，定期输出横向测评报告，识别差距与机会点，驱动产品体验升级； 5. 推动体验问题闭环落地，协同产品、设计、研发团队制定优化方案，并跟踪验证改进效果，真正实现“从用户中来，到产品中去”的闭环。
1、负责搭建天猫精灵全屋智能业务板块的培训体系，包括但不限于产品培训体系、销售技巧培训体系、内外部人员认证机制、培训平台搭建等，持续提升内外部人员业务和销售能力； 2、深入挖掘全屋智能行业特性及产品卖点，独立撰写高质量、标准化的培训课件（涵盖PPT、手册、视频脚本等），确保知识传递的专业性和有效性； 3、统筹组织全国及区域内的培训活动，包括新员工入职培训、代理商赋能培训、渠道销售特训营等，通过线上与线下结合的方式，确保培训覆盖率和转化率； 4、建立并完善内部员工及外部合作伙伴（代理商/经销商）的培训认证机制，制定考核标准，实施持证上岗制度，提升团队专业资质与服务水平； 5、跟踪培训效果，收集业务反馈，持续优化培训内容与形式，确保培训成果能直接转化为销售业绩和客户满意度。
1、数据服务业务解决方案销售，围绕重点行业方向开拓高质量KA客户，与客户建立长期、稳定合作关系； 2、针对所负责的方向制定、落地销售策略，达成销售目标； 3、挖掘重点客户数据服务需求，拉通后端资源，提供定制化解决方案，并能够根据自身平台能力特点发掘、引导客户需求； 4、基于对行业趋势的洞察判断、重点行业、客户痛点认知，为业务发展、产品能力建设提供输入；
