共 2454 个在招岗位 · 阿里巴巴在杭州的最新招聘信息
加入我们，你将专注于让商家经营 Agent 持续变强：依托商家主数据体系，通过系统化的效果评测与问题归因，精准定位 Agent 表现不佳的根因，并针对性优化经营知识库、Skill 与工具能力，形成「评测 → 归因 → 优化 → 回归」的高频迭代循环，直接推动商家 Agent 从可用走向被依赖。 你将负责： 1、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； 2、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； 3、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； 4、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； 5、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； 6、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。
1. 多模态模型的推理功能开发和性能优化，包括对Qwen-VL、Qwen-Audio、Qwen-Omni等多模态输入/输出模型的功能支持和推理性能优化。 2. 分布式推理架构的研发，包括多机推理架构设计，P/D分离、A/F分离、VL模型分离架构的落地。 3. 推理引擎服务化，包括推理引擎如何接入线上服务平台，自动扩缩容和可观测性的适配，以及提升线上服务稳定性。
1. 负责智能搜索与推荐引擎的核心架构设计与开发，重点攻坚高性能召回引擎，优化高并发场景下的查询延迟与吞吐量； 2. 大规模分布式系统的性能调优与稳定性治理，包括内存管理、线程模型优化及资源隔离，保障系统在亿级数据规模下的高可用性； 3. 基于大模型的多路召回系统建设，融合语义检索、关键词检索及向量检索技术，构建高效的 Search RAG系统，提升信息获取的准确性与相关性； 4. 跟踪业界前沿技术（如向量数据库内核、大模型推理加速等），推动新技术在业务场景中的从 0 到 1 落地，持续迭代工程基础设施。
我们是阿里巴巴智能引擎事业部模型优化团队，负责集团深度学习模型和 LLM 模型的推理性能优化与系统演进。在这里你将负责： ● 支撑淘宝、天猫、AIDC、高德等阿里巴巴集团业务的千亿级模型推理请求，是深度学习与大模型推理优化的前沿阵地； ● 研发高性能大模型推理引擎，围绕算子优化、请求调度、缓存管理和计算通信协同开展端到端优化，持续突破吞吐、时延与资源效率边界； ● 面向ScalingUp持续升级深度学习推理系统架构，重塑特征、模型的深度协同，支持百万级超长序列、TB级Embedding、数百亿参数规模的Dense网络的下一代搜索推荐深度学习模型。 ● 推动模型、系统与硬件协同优化，充分释放异构算力潜能，建设高性能、高稳定、可演进的模型推理基础设施。
1. 设计、实现、维护超大规模高性能、高稳定在线nosql分布式数据库系统Tair； 2. 应用先进的索引结构、协程、io_uring等技术，实现极致高效的存储内核； 3. 为读/写热点、cache一致性、读写一致性、高效分布式锁等典型场景提供解决方案； 4. 通过部署优化、自动扩缩、存算分离等技术，提升10万张规模表的资源利用效率及稳定性。
我们是阿里巴巴平台技术AI研发平台团队，负责AI应用研发平台的建设和维护。为淘宝、千问、闪购、高德、闲鱼、飞猪等多个业务部门提供应用研发基础设施。业界应用逐步转型AI Native研发模式，应用研发Infra需要朝着Agent进化，Agent Infra建设正在如火如荼的进行。 主要工作内容如下： 1. 负责Agent Infra研发：包括多模态通信链路、 MultiAgent框架、Context管理、Memory系统、Managed Agent、Java/Python多语言运行时等。 2. 结合业界Agent前沿技术， 通过Agent强化学习、Agent评测等持续学习对Agent进行调优。 3. 负责AI研发平台的持续迭代，参与平台的研发产品、流量调度、容器、可观测性等能力建设，支持AIGC、VLM、音视频通话等不同特性的系统形态。
1. KVCache 核心系统研发，负责 LLM 推理场景下 KVCache 的架构设计与工程实现，优化 KVCache 的内存管理、显存分配与生命周期调度策略，研究并实现 Prefix Cache、Radix Tree Cache 等高效缓存复用机制，提升 Cache Hit Rate。 2. 设计跨机、跨节点的分布式 KVCache 共享与迁移方案，实现 KVCache 在 GPU HBM / CPU DRAM / NVMe SSD 多级存储间的高效卸载（Offload）与加载，针对长上下文、多轮对话场景优化 KVCache 的存储与传输效率。 3. 推理性能优化，结合 Continuous Batching、PagedAttention、Chunked Prefill 等机制，协同优化 KVCache 调度策略，分析推理链路中 KVCache 相关的性能瓶颈，进行端到端性能优化，针对主流推理框架（vLLM / SGLang / TensorRT-LLM / RTP-LLM）进行 KVCache 模块的深度优化与定制。 4. 系统可靠性与可观测性建设，建设 KVCache 命中率、内存占用、调度延迟等核心指标的监控体系，保障大规模集群下 KVCache 服务的高可用与容错能力。
我们希望围绕大语言模型与 AIGC 模型，探索更具前瞻性的推理优化方法，并将其转化为真实场景中的性能收益。你将参与下一代推理加速技术的研究与落地，面向生成模型推理中的核心瓶颈，持续推进算法设计、效果验证与系统协同优化。 你将参与以下工作： ● 面向 LLM 与 AIGC 场景，研究生成模型推理加速的关键问题 ● 探索前沿生成范式，以及基于后训练的模型架构演进 ● 探索SOTA加速方案，如投机、sparse attention、LLM/Diffusion distillation等技术 ● 与工程及基础设施团队协同，探索框架+算法+算子一体的更大scope的加速方案 ● 跟踪相关领域前沿进展，推动新方法的快速评估与应用
负责主流大模型在多种 AI 加速芯片和推理后端上的适配、优化与工程落地，覆盖 Qwen、DeepSeek、GLM、Kimi等文本、多模态与图像生成模型，目标平台包括 TPU、NPU 等各类 AI 加速芯片。该岗位需要深入理解模型结构、推理框架、算子/kernel、编译栈与分布式推理机制，推动模型在不同硬件平台上稳定、高效、可规模化运行。
本团队涉及如下方面的工作：（工作内容可以根据候选人专业特长安排） 1. 多模态模型的推理功能开发和性能优化，包括对Qwen-3.6、Qwen-3.7、Qwen-VL、Qwen-Audio、Qwen-Omni等多模态输入/输出模型的功能支持和推理性能优化。 2. 分布式推理架构的研发，包括多机推理架构设计，P/D分离、A/F分离、VL模型分离架构、WideEP、ElasticEP等功能研发与落地。 3. 推理引擎服务化，包括推理引擎如何接入线上服务平台，自动扩缩容和可观测性的适配，以及提升线上服务稳定性。 4. NPU/GPU各类算子、kernel开发、算子融合、Compiler的开发等。
我们的平台：TPP 是阿里集团一个经过多年打磨、支撑大规模在线业务研发交付的 超大规模Serverless 平台，在资源调度、超大规模在线Serving、极速迭代链路、可观测性等方向积累了完整的平台能力。Agent 时代，TPP 正在进行全面的 AI Native 升级——我们希望与你一起，既用 AI 重塑平台自身的研发范式，也把一站式业务研发交付演进到智能化形态。 我们需要你： 1、负责 Serverless 基础平台自身的 AI Native 升级：以 AI 重塑平台从需求、开发、测试到发布、运维的全研发生命周期，让平台自身成为 AI Native 研发模式的第一实践者； 2、、推动 TPP 在 Agent 时代的延续与发展：建设基于 Agent 的业务一站式研发交付能力，推动业务研发从 UI 操作模式转向自然语言对话模式；参与 Agent harness 效果工程，构建 Agent 评测与自进化的数据闭环，从工程角度持续提升 Agent 效果； 3、持续演进平台底座：设计并实现高并发、高可用、高性能、高可观测的 Serverless 运行时与调度体系，为业务提供坚实的技术底座，支持业务的智能化转型。 岗位可以带给你的成长： ①这个岗位具备相当的挑战性：平台承载大规模在线流量，对时延与可用性要求苛刻，而同等体量平台的 AI Native 升级在业内少有成熟方案可循，你做的每一步都是行业前沿的探索。 ②如果你一直做基础平台、中间件或高并发系统，正在思考如何走向 AI Agent，这里会是一个少见的落点： 平台工程经验是最大的本钱，是Agent从Demo走向生产的核心技术支撑。团队将提供体系化的培养支持，帮你完成从平台工程到 Agent 工程的认知升级。
本岗位隶属于我们是阿里巴巴大模型推理团队，团队负责集团内部大语言模型 AI Infra推理系统建设和维护，为淘宝、天猫、聚划算、优酷、闲鱼等多个集团业务部门提供强有力的技术支撑和底层服务能力。AI 性能工程师工作内容包括但不限于： 1. 参与大模型推理系统的研发，聚焦于推理框架与各种类型异构硬件的适配和性能优化工作。 2. 实现各类型“卡-模型”匹配度的自动化观测，指导资源调度策略，评估新硬件引入价值。 3. 线上服务的监控与问题定位，加速大模型能力在集团内落地。 如果您是一位后端研发工程师，具有丰富的性能优化经验，希望投身于AI Infra事业又苦于缺少相关经历，也欢迎投递本岗位，我们更看重您的学习和解决问题的能力！
我们是阿里巴巴离线推理团队，负责大规模多模态数据处理pipeline，支持非LLM的模型结构定制、异构卡型适配和推理加速。与千问、百炼等团队合作，以软件和SAAS的方式，为淘天、AIDC、高德、优酷、闲鱼等多个集团业务部门提供强有力的技术支撑和底层服务能力。 1. 主导或核心参与基于编译技术的算子平台化优化方案，利用Triton、TileLang、JAX/MLIR等技术栈，支持模型结构的定制与优化，缩短新卡型或新模型的适配周期。 2. 使用专业的Profiling工具，对模型在异构硬件上的端到端性能进行分析，精准定位Kernel执行、数据搬运、通信等环节的瓶颈，并提出体系化的优化方案。 3. 针对特定异构芯片（如华为昇腾、AMD MI系列等），深入分析其指令集、存储层级（HBM/Cache）和计算单元特性，使用原生语言手写和优化核心算子，实现极致性能。
我们是阿里巴巴大模型推理团队，负责内部 LLM/AIGC 百炼推理服务建设，为淘宝、天猫、聚划算、优酷、闲鱼等多个集团业务部门提供强有力的技术支撑和底层服务能力。 AI 高性能计算工程师负责探索不同AI芯片（NV，AMD, 华为昇腾, TPU, 寒武纪等）的底层架构，使用硬件手写原生 Kernel、 Trition/Tilelang 编译优化等手段，解决“从0到1”（跑通）和“从1到N”（跑得快）的关键问题。 工作地点：北京、杭州，未来会开放「上海」工作地点，现阶段支持员工根据团队安排部分时间在上海办公，详情可与hr或面试官沟通。
1. 芯片Bring-up与子系统验证：主导芯片流片后的Bring-up调试，负责关键子系统（如DDR/PCIe Subsystem）的参数调优、适配及全功能验证。 2. 高低速信号与协议测试：负责高低速接口（PCIe 5.0/DDR5/UCIe/I3C/I2C/SPI等）的信号完整性（SI）测试与验证，确保协议一致性。 3. 电源、功耗与可靠性：负责芯片电源完整性（PI）测试、功耗分析及优化、量化性能评估及电源可靠性验证；执行PVT（工艺、电压、温度）压力测试。 4. 量产导入与ATE相关性：负责实验室环境与ATE（自动测试设备）的Correlation（相关性）测试，协同制定并验证Binning（筛片）策略，确保硅后验证与量产测试结果的一致性。 5. 自动化环境与标准建设：负责制定和完善高速信号测试标准及操作指导；开发自动化验证环境，编写并集成验证用例，提升验证效率。
1. 基于前台业务的策略，评估对供应链计划影响，制定并拆解品类/场域/国家的销售计划，指导供应链库存备货、物流资源准备，对计划达成及准度负责 2. 建立并沉淀适配业务的销量/单量预测&计划模型，沉淀与前台业务的协同流程 3. 针对预测偏差归因分析，提炼提升预测能力的核心专项，协同算法、产技、业务推进落地，提升品预测准确率并持续优化 4. 负责供应链计划域的业务及数据产品需求梳理，协同产技部门推动产品建设
1. 平台研发：负责 AI 平台管控系统的架构设计与核心开发，覆盖多模态模型训推、模型服务、Agent 等场景，包括任务编排、资源管理、服务生命周期、弹性伸缩、灰度发布等核心能力。 2. 工程体系与技术带领：推动研发流程、架构规范、设计模式、代码质量、测试和 Code Review 等工程体系建设；根据候选人经验，承担核心技术方向规划及团队技术带领工作，同时保持一线编码。 3. 稳定性与线上问题：负责平台稳定性和可观测体系建设，深入分析和解决线上复杂问题，推动故障自愈、风险治理及运维经验的平台化沉淀。 4. 跨团队协作：与模型算法、推理引擎、前端、产品及基础设施团队紧密合作，推动需求落地和端到端产品交付，持续优化平台架构和用户体验。
加入天猫技术质量团队，你将面向导购、搜索、营销、商家经营、客服等核心业务场景中的各类 AI Agent，对端到端业务效果负责。 这个岗位不止是“给 Agent 打分”，而是深入 AI 应用链路，通过指标设计、评测集管理、自动化评测、执行轨迹分析、问题挖掘和数据回流，定位影响业务效果的关键问题，并推动 Prompt、Skill、记忆、知识库、工具链及 Agent 架构持续优化，建立“应用构建—效果评测—问题归因—数据回流—针对性优化—回归验证”的完整闭环，以评测驱动 Agent 演进，让 AI 应用在真实业务场景中取得可衡量、可持续的效果。 具体你将负责 1. Agent 端到端业务效果评测与优化 面向天猫业务 Agent，设计覆盖任务理解、规划决策、知识获取、工具调用、任务执行及最终业务结果的端到端评测方案。 建立多维度评测指标与判定标准，包括任务完成率、结果正确性、业务规则符合度、工具调用准确性、过程合理性、稳定性、安全性、成本及时延等。 打通离线评测与线上业务效果，围绕真实场景中的任务成功、用户体验、业务转化和履约质量等目标评估 Agent 价值。 能够独立负责一个 Agent 应用或核心组件的效果优化，从问题定义、方案设计、评测验证到上线回归，对最终效果负责。 2. 业务评测集与数据回流体系建设 从真实业务流量、用户行为、反馈数据、线上问题和专家经验中沉淀高价值样本，建设场景化、分层化的评测集与业务 Benchmark。 设计覆盖常规、边界、复杂及对抗场景的评测任务，持续提升评测集的代表性、区分度与风险覆盖能力。 建立数据采集、清洗、标注、质检、版本管理与持续更新机制，保障评测数据的质量、时效性和可追溯性。 建设线上问题与评测集之间的数据回流机制，将真实应用行为和失败案例转化为可复现、可回归的评测资产，驱动针对性优化。 3. 深度问题挖掘与效果归因 对 Agent 输出结果和完整执行轨迹进行分析，定位 Prompt、Skill、记忆、知识库、检索、规划推理、工具调用及业务执行等环节的问题。 建立失败模式分类与根因分析机制，识别共性短板、系统性风险及高价值优化机会，并形成可落地的改进方案。 运用统计分析、实验设计、AI 对齐评估及人工评测等方法，判断效果差异、优化收益和结论可信度。 建设可视化评测报告与问题追踪机制，推动问题从发现、归因、修复到验证的闭环管理。 4. 评测驱动的 AI 应用优化 与算法、研发、产品和业务团队协作，将评测结论转化为 Prompt、Skill、记忆、知识库、检索策略、工具链及 Agent 架构的优化方案。 设计 A/B 测试、红蓝对抗和版本对比实验，验证优化效果，识别真实收益、适用边界与回退风险。 建立版本准入、自动化回归和持续效果追踪机制，保障 Agent 迭代过程中的效果稳定性与可控性。 沉淀评测方法、工具和最佳实践，建设自动化评测框架及自助评测能力，提升团队规模化发现问题和优化应用的效率。
1、需求洞察及规划： 洞察IDC业务和机电行业发展趋势，明确IDC电力设备研发需求并制定研发规划，输出电力设备创新研发的顶层设计，制定符合关键结果要求的目标、技术方案和里程碑。 2、创新研发：负责电力设备的创新研发，包括设计、开发、测试、灰度等环节，新研电力设备的性能指标和里程碑符合研发规划要求。 3、技术规范制定：制定电力设备技术研发规范；明确研发流程和各研发阶段的工作内容和要求，包括需求书、测试和灰度标准；制定新研产品的SOP、MOP、EOP等技术规范。 4、技术支持和推广：负责电力设备技术支持，制定解决方案、推动技术决策；负责自研电力设备供应能力的建设和在自有基地、Powershell项目中的推广落地。 5、质量管理：对电力设备的质量负责，包括制定质量管理流程和指标，主导测试和灰度验证等，为各类暴露的质量问题提供处理方案、规避相同质量问题复现。
你将获得什么 • 真实的AI原生战场——深入浸润在悟空事业部及其庞大的业务生态中，在真实的业务流、工作流与协同流中，重塑AI时代的组织形态。 • 前沿模型与充足算力——你的组织变革想法不用排队，试错不用繁琐审批，依托顶尖的AI能力让一切快速落地。 • 最短的决策链路——在扁平的AI Builder团队中，好想法到上线之间没有太多中间层，直接驱动业务成功。 • 同路的超级伙伴——与一群对AI有极致热情的聪明人共事，在复杂多变的环境中共同探索组织进化的最优解。 你要做什么 • 用AI重塑生产关系——结合业务战略，深入钉钉生态，识别高价值场景。将模糊的业务问题抽象成AI可执行的步骤，理顺人与AI、人与人之间的协作关系。 • 沉淀组织进化的原子能力——能和业务团队建立信任，将复杂的组织诊断、绩效创新、激励机制等转化为可复用的AI Skill、Tool或Agent，实现生态组织能力的全面自动化提升。 • 端到端推动变革落地——从方案设计到效果验证，独立负责并跑通关键的AI-Native组织流程。在“这样改会不会出问题”的质疑中，用真实落地的效果给出让人安心的答案。
岗位职责： 将大模型能力转化为可上线、可运营、成本可控的产品化能力。你将主导从问题定义到生产交付的全链路工作。 需求与设计： 与业务、产品共创需求，将业务诉求拆解为可落地的技术方案，明确目标、边界与验收标准。 建立对用户业务的高维认知，使用定性方法和定量指标洞见需求实质。 制作页面原型，与需求校验对齐。 全栈工程交付： 独立完成前端页面开发与后端服务搭建，具备从接口定义到页面交付的全链路交付能力。 在 Prompt Engineering / RAG / Agent / 微调等方案间做技术选型，设计端到端应用架构（含上下文管理、工具调用、记忆机制、安全策略）。 搭建 Agent 系统工程化落地，包括多 Agent 协作编排、Tool-Use（MCP 等协议）集成、Memory 管理，推动从原型到线上的完整闭环。 数据与评测 构建数据飞轮：设计采集、清洗、标注的工程化流水线，打通"上线→反馈→数据→迭代"循环。 面向业务目标设计评测指标，搭建自动化评测框架（LLM-as-Judge / Auto-rater），执行 A/B 实验，监控效果漂移。 线上质量 对所负责模块的线上质量、稳定性与成本负责，建立监控、告警与兜底机制，驱动持续迭代。
1、负责质量相关Agent和skill的构建，利用AI 能力建设从测试分析到测试执行、总结的能力，能够独立承接项目并进行良好的系统设计和实现； 2、探索AI Agent 驱动的测试模式，利用AI 能力提升工程师的体验和效率； 3、设计AI 相关技术方案和效果评估方案，提供发展规划方案、架构设计方案，并能根据方案展开研发工作。
1. 负责3A核心算法的研发与迭代，包括回声消除（aec）、自动噪声抑制（ans）、自动增益控制（agc），确保算法在复杂声学环境下的鲁棒性，保障全双工通话的高保真音质与交互体验。 2. 推动3A算法的轻量化部署与端侧适配，结合深度学习与传统信号处理技术，平衡算法性能与资源消耗，支撑智能体语音交互技术基座建设。 3. 针对人机语音交互、智能体对话等前沿场景，优化VAD判停和语义完整性检查，实现“快速打断，智能判停，实时响应”的自然对话能力； 4. 研发语音识别（ASR）、语音合成（TTS）技术，并探索交互式语音模型在智能体对话中的应用，搭建可控双流模型的数据，训练和评估体系，优化对话模型的边说边听和情感识别能力； 5. 与产品、工程团队紧密合作，将算法模型落地到实际应用中，并持续优化系统性能。 6. 跟踪学术界和工业界的最新进展，探索前沿技术在对话系统中的应用。
1、负责即时零售业务中AI提效方向的产品运营工作，推动AI技术在产品运营中的落地与应用，提升平台效率及用户体验。 2、深入分析即时零售场景中的商家及用户需求，结合AI能力，设计并优化运营策略，提升平台规则的智能化水平。 3、协同技术团队，推动AI算法模型在平台规则、决策能力及运营场景中的应用，实现数据驱动的智能化运营。 4、通过数据分析与AI模型评估，持续优化AI提效方案，提升平台的运营效率及业务增长。 5、参与履约专项、商品竞争力、商户与商品治理等项目，推动AI技术在实际场景中的应用与效果提升。
1. 负责全球IT软硬件供应链管理，基于IT服务标准与SLA要求，不断完善和提升用户IT服务体验； 2. 负责建立完善的软硬件管理制度，通过AI Native，持续改善办公质量，推动软硬件全生命周期管理； 3. 成本及效率驱动，开创优质的采购/服务模式，通过引入AI等生产力工具，提升办公效率； 4. 建立软硬件供应商的运维、跟踪及评估体系，合理控制采购成本并保证品质； 5. 结合控股及各业务集团全球发展方向，制定年度IT预算并确保预算的有效执行。
你将负责开发适用于自研数据中心CPU场景下的编译器/虚拟机等相关工具，充分利用CPU特有的特性，提升CPU产品在关键应用场景下的适用广度和性能指标。在这个岗位上，你可能会接触到最新的CPU架构与微架构流水线方案，通过和CPU芯片设计团队和商业化落地团队的紧密协作，交付具有竞争力的高性能数据中心CPU产品解决方案。 You will be responsible for developing compilers and virtual machines related tools tailored for our in-house data center CPU scenarios, leveraging the unique features of the CPU to enhance its applicability and performance in key use cases. In this role, you may work with the latest CPU architectures and micro-architecture pipeline designs, collaborating closely with the CPU chip design team and the commercialization team to deliver competitive, high-performance data center CPU solutions.
Accio work 自研的 Agentic RL Infra —— Dressage 开源啦！也被放到了 Slime 的 README 里，欢迎大家来交流~ Github: https://github.com/Accio-Lab/Dressage 岗位职责： 1、支撑模型团队使用 Megatron 框架进行大规模分布式训练，处理 tensor parallel、pipeline parallel、data parallel、expert parallel、sequence/context parallel 等并行策略相关问题; 2、支撑模型团队使用 SGLang 进行高吞吐推理和 rollout，优化 batching、KV cache、prefill/decode 调度、长上下文稳定性和在线训练链路； 3、设计和实现面向更大模型规模的 post-training infra，降低训练资源成本，提高实验迭代效率和系统稳定性； 4、建设 profiling、benchmark、monitoring 和 debugging 工具，提升训练吞吐、GPU utilization、rollout 稳定性和故障定位效率； 5、与研究员和模型工程师紧密合作，把新的训练想法快速落地成可复现、可扩展、可长期维护的系统能力。
1、参与人工智能芯片的软硬件协同设计，指令集功能验证； 2、参与人工智能芯片的编译器算法设计和实现, 工具链开发与维护，网络模型的性能调优； 3、参与深度学习软件栈的设计和实现； 1. Working closely with hardware/architecture engineering and software teams to understand the hardware and software requirements. 2. Responsible for compiler and tool chain design, implementation, maintaining and performance tuning. 3. Responsible for the design and implementation of deep learning software stack.
1、参与电商大模型智能体产品研发，包括框架设计、算法开发、迭代优化等 2、根据业务产品形态对大模型进行post training（SFT/RLHF等）优化、结构优化、prompt engineering等 3、基于LLM的机器人AI Agent模块与产品其他功能模块交互的工程实现 4、跟进大模型智能体前沿技术趋势，结合实际业务需求，将技术应用到实际业务场景
1. 负责 AIPC OS 端云一体服务的架构设计与开发，构建支撑海量 AI 终端设备的高可用云服务基础设施； 2. 设计并开发云服务核心模块，包括账号与鉴权、消息通道、存储与数据同步、数据采集与汇聚等； 3. 参与建设 Agent 运行平台与 AI 能力中心，打造高性能、可观测的 Agent 开发与运行平台，并落地端-云混合部署方案； 4. 建设 Agent 评测与飞轮体系，形成"开发—运行—评测—优化"的闭环，持续提升 Agent 效果与质量； 5. 保障云服务在大规模场景下的稳定性、高可用与性能，构建可扩展、可维护、可演进的服务框架。
