岗位职责

LLM 驱动的语义画像建模：对买卖双边的行为，将全站的用户行为（询盘，找货，沟通，im，售后等全链路）做充分的整合并进行语义理解与结构化抽取，构建包含意图、价值，阶段、偏好等维度的实时与离线的语义画像体系，统一化服务下游业务。核心工作包括抽取用户特征语义化向量建模设计、模型蒸馏调优、标签 schema 演进，实现新标签的插拔式接入。
画像与理解Agent 服务化：将语义画像向量化为可用于匹配与检索的向量表征表示，同时封装为 Agent 可调用的离线与在线服务。同时平衡在线时延与推理成本。
评测与业务验证：建立符合业务真实数据分布的数据评测集、并设计rubric规范的评测标准，通过LLM as judge or 人工抽检的方式迭代式逼近稳定可用的评测能力，与下游 AB 实验联动的验证闭环；设计语义级评估指标，通过实验量化语义画像相比传统标签体系带来的业务增量。
Agent 驱动的增长策略：基于语义画像对用户进行设计差异化触达策略生成；将增长策略的发现—执行—验证流程 Agent 化，利用多源数据信号让 Agent 自动识别增长机会并生成可落地的实验方案。

职位要求

计算机、统计、数学或相关专业硕士及以上在读（2026—2027 年毕业），扎实的 NLP 与深度学习基础，熟练使用 Python 与 SQL，具备大规模数据处理经验。
在 LLM 应用至少一个方向有完整的了解：结构化抽取（Prompt Engineering / IE 范式）、指令微调与知识蒸馏、RAG 系统构建、Agent Tool Use 设计；理解 ReAct、Function Calling 等 Agent 范式。
具备语义特征的表征设计能力——能将业务问题转化为语义对象定义与抽取方案，而非仅设计分类标签；有 embedding 构建、对比学习或双塔匹配经验者优先。
对 LLM 推理成本与工程化有判断力：了解量化、投机解码等推理优化手段，能在效果与成本之间做出合理取舍；有从 0 到 1 落地 LLM 应用或有 Agent 记忆 / 用户建模方向经验者优先。