岗位职责
- 面向智能助手（千问智能助手）产品的领域数据供给，主导数据建设的 Al/Agent 化升级，定义AI时代"什么是好的领域数据"；
- 定义领域数据的质量范畴：从传统"知识覆盖率"升级为覆盖度 ×时效性 × 可信度×可检索性 ×可引证性的多维供给质量模型，对齐下游 RAG、智能问答、agent 決策的真实消费需求；
- 建立数据供给的度量与评估体系，从用户需求匹配度、竞品对比、绝对知识覆盖等角度量化评估，用指标而非直觉驱动收录策略的持续优化；
- 主导知识缺口发现机制，把缺口识别从人工盘点升级为可自动观测、可回流触发补充的闭环；
- 数据体系建设agent、知识抽取 agent、清洗与标注 agent、质量评估 agent，覆盖从数据获取到入库供给的全流程，把”人做的数据工程判断“外化为可复用、可评估、可回归的 agent 能力；
- 推动数据流水线从人工/半自动向智能自动化迁移，把 agent 挂进真实数据生产环节并产出可量化的效率与准确性收益。深入分析多源异构数据，构建面向高效检索与智能问答的知识组织方式，提升数据在下游 agent 消费中的可用性、可检索性与价值转化；
- 作为领域技术带头人，沉淀可复用的方法论、标准与工具资产，推动数据工程团队向"数据＋Al/Agent"复合能力转型。
职位要求
- 丰富的垂直领域数据建设、知识工程或数据资产化经验，其中至少 1-2年在大模型、AI 产品或 RAG/智能问答场景有实质数据供给沉淀，完整主导过行业知识体系或数据平台从0到1建设者优先；
- 具备 agent/ LLM 应用的实际建设经验：熟悉 agentloop、工具调用、上下文工程、知识抽取、RAG中至少两个方向，能独立完成从设计到落地的关键攻坚；
- 工程与算法复合背景：熟悉 NLP、知识图谱、向量化与语义索引、大模型微调或 RAG 等技术，能独立设计并优化面向检索与问答的知识组织方式；
- 具备扎实的数据分析与业务理解能力，能从下游消费需求出发定义数据指标、驱动收录策略与产品迭代；
- 对AI 时代数据供给与知识组织的演进方向有自己的判断和决策，有把数据建设规模agent 化、并跑出可量化业务收益的成功案例。
