岗位职责
聚焦推荐与营销的核心业务场景，用 Agent 等前沿技术推动 AI 在真实高并发链路上落地。你将参与从业务归因到系统构建的全流程，既写生产级链路代码，也造让 AI 能写这些代码的环境与工具，实现「技术驱动业务增长」的完整闭环。 具体职责包括以下方向的一项或多项：
- 业务理解与归因：深入推荐/营销场景，用数据挖掘与特征分析完成现象归因；精准识别高价值问题，把模糊的业务痛点转化为明确的 AI/工程解决目标。
- AI 原生架构设计： 面向具体业务需求设计链路与系统架构；参与 Agent 系统核心模块规划（记忆管理、推理策略、工具编排），兼顾灵活性、可扩展性与工程可落地性。
- 知识与环境构建： 搭建 AI 与现有业务系统的交互环境，持续优化召回质量，为模型提供准确、及时、可验证的执行环境。
- 核心能力实现 ：负责 Agent 关键模块的工程落地，意图识别、任务拆解、反思纠错闭环；把线上排查、样本开发、配置变更等重复劳动封装成标准化 Skill/SDK/API；构建 Agent 观测体系，实现全链路追踪与多维归因。
- 评测闭环与系统演进： 建立自动化评测与回测机制；通过调优与 Case 分析不断收敛效果与性能的路径；沉淀方法论与可复用组件，推动 AI 能力从单点验证走向团队级规模化落地。
- 性能与稳定性： 优化高并发场景下的链路性能，通过异步化、缓存与降级策略保障稳定性；用低侵入观测手段保障系统长期稳定运行。
职位要求
- 基础条件： 计算机、软件工程、人工智能等相关专业优先；3 年以上工程或算法工程经验，有独立负责过线上系统/链路的完整经历。
- 专业能力： * AI 编程工具重度玩家：Cursor、Claude Code 等 AI 编程工具的深度用户，Prompt 编写与调优能力极强，有完整的项目级开发经验，理解如何让 AI 写出生产级代码（含测试、可观测、可回滚），而不只是能跑的代码。 * 大模型能力理解与掌握：清楚主流 LLM 的能力边界，能拆解任务并用 LLM + 确定性逻辑兜底组合实现；熟悉 Context Engineering、Prompt Engineering、Agent、工具/函数调用等应用范式与主流 Agent 框架（LangChain 等）；对幻觉、Prompt 注入、结果不可复现等风险有工程化应对思路。 * 扎实的代码与工程能力：计算机基础扎实（数据结构、算法、网络、操作系统），在 Java / Python / JS 中至少一门有深度实践——我们线上链路以 Java 为主（TPP 图化算子、SDK），数据与工具链以 Python 为主（ODPS/MaxCompute 样本特征、脚本与评测），能按场景灵活选型并快速上手。 * 实验与数据意识：习惯用 AB/AA 实验、指标口径和数据对照来验证判断。
- 能力特质： * 学习能力：能快速啃透前沿 Paper 并转化为工程代码（我们线上有 RankMixer 等排序结构的持续迭代）。 * 开放性与动手能力：拒绝纸上谈兵，有独立完成的小项目（开源项目或个人 Demo），有极客精神。 * 好奇心与想象力：面对未知有独特想法，问题定义敏锐，解决问题有韧性——零售链路的疑难杂症往往没有现成答案。 * 审美追求：技术亦有审美，欢迎简洁优雅、能打动人心的方案；我们也要求文档、口径与代码同样干净。 * 高能动性：强自驱，主动探索边界而非等待分配；愿意把自己的经验固化成团队资产（Skill、知识条目、TC）。
- 加分项： * AI 应用或 Agent 实际落地经验：RAG 系统、多智能体编排、结合 MCP / Skill 的 Agent 项目，有可展示成果者优先。 * 推荐/搜索/营销工程经验：做过 TPP 图化、HA3/RTP/BE 引擎、算价或出资链路、召回排序链路对齐与迁移者能快速上手。 * 样本与模型训练链路经验：离线样本开发、特征工程、训推一致性、SFT/RL 等实际业务模型训练经验。 * 质量与评测体系建设经验：搭过自动化回归、TC/用例库、覆盖率闭环、影子流量或线上回放评测体系。 * 性能优化实战：高并发链路耗时治理、JVM/GC 调优、缓存与预计算、容量规划。 * 开源贡献或技术影响力：GitHub 上有高质量 AI 项目、技术博客或社区影响力。 * 对 AI Infra 有基本理解：了解 vLLM、Ollama 等推理框架原理，理解延迟优化、KV cache、流式输出等工程全局视角。
