职位描述
阿里电商交易核心技术团队，面向导购、下单、支付、履约等关键链路，打造新一代 AI Native 交易系统。一方面，你需要在高并发、强一致的电商场景下，持续打磨稳定可靠的后端基础设施；另一方面，你将基于大模型（LLM）设计并落地面向电商场景的智能 Agent，驱动交易体验与运营效率的代际升级。
根据你的技术背景与兴趣，你将参与以下一个或多个方向的工作：
【AI 应用】面向交易全链路的智能化改造，覆盖代客退款、订单搜索、无货订购、低价下单、帮我省、物流总结等丰富业务场景。与产品、运营深度协同，从业务问题出发，完成需求分析到效果迭代的完整闭环，抽象可复用的 Agent 能力；
【研发效能】打造 AI 原生的研发环境，在高并发、强一致的复杂交易场景下，当前大模型能力仍存在明显瓶颈，需要结合领域知识与工程手段持续突破，建设 AI CR、智能问题诊断等能力，提升变更质量与研发效率；
【知识工程】阿里电商交易体系的业务复杂度，远非大模型的通用世界知识所能涵盖——海量业务规则、领域本体、跨系统依赖关系需要系统性地建模与管理。基于本体论方法构建交易领域知识图谱，落地实体关系抽取、Graph RAG、垂类知识建模等能力，为各 Agent 提供结构化知识底座；
【后训练与工具调用】面向交易场景的 Function Calling / Tool Use 能力建设，包括训练数据构造、SFT 微调、评测体系搭建与模型效果迭代，提升 Agent 在复杂任务中的工具编排与执行准确率；
此外，随着业务演进，你还有机会参与以下方向的探索与建设：
【会话与记忆】构建面向交易场景的上下文管理、对话记忆、用户画像等能力，实现分层存储、检索与更新。
【AI 工具链】AI 应用开发框架、版本管理、A/B 实验、全链路可观测体系（Metrics/Logs/Traces）。
职位要求
【业务洞察与 AI 场景判断】具备优秀的业务分析能力与指标驱动意识，能够从业务问题出发，判断哪些环节适合引入 AI、AI 如何切入、人机协作边界如何划分（哪些事情由人完成、哪些交给 AI），并据此制定可落地的技术方案。
【评测与效果迭代】熟悉 LLM 评测方法论，能够设计评测指标、构建 Human-in-the-loop（人在回路）的数据回收体系，驱动 SFT/后训练调优，对优化飞轮有实际操盘经验。
【扎实的工程底盘】计算机基础扎实，至少熟悉一门强类型后端语言，代码质量高，具备前瞻性的架构设计思维，兼顾高性能、高扩展性与可读性。精通微服务架构，对消息队列、数据库（关系型/NoSQL）、网关等基础设施有深入理解。善于使用 AI 工具辅助编码，能快速搭建 MVP 并通过数据驱动持续迭代。
【AI 原理与工程落地】熟悉主流大模型技术原理与应用开发（如 ReAct、Function Calling、Memory、Prompt Engineering、RAG 检索增强）。理解后训练核心范式（SFT、DPO、RLHF），能够参与从数据构造、训练调优到线上验证的完整流程。有实际的 AI 工程实践经验，主导或参与过线上 AI Agent 落地项目者优先。
加分项：
技术架构与高可用：有高可用架构设计、链路诊断、容灾降级等实践经验，对高可用保障体系与全链路可观测性有深刻理解。能力可直接迁移至 AI CR、智能问题诊断等场景。
知识工程与数据建模：有知识图谱构建、本体论建模、实体关系抽取、或大规模数据治理经验，熟悉图数据库（Neo4j、NebulaGraph）、向量数据库等。能力可迁移至业务知识问答、垂类知识挖掘与建模、RAG 检索增强等场景。
搜索与排序：有搜索引擎研发经验，熟悉 BERT、语义召回、精排/重排序等技术，或有 ElasticSearch 等系统的深度优化经验。能力可迁移至订单 Agent 的搜索理解与排序优化。
