【27届实习】阿里云开放平台-AI应用研发工程师

洞察业务问题，以AI为核心计算引擎，清晰定义目标，设计AI原生架构（AI-Native Architecture），完成任务的编排与交付，将AI的不确定性转化为工程的确定性，让大模型在真实生产环境中稳定落地。具体职责包括： 1.需求共创与问题定义：深入业务一线，通过数据挖掘与特征分析完成现象归因与建模，成为需求的共创者。定义目标与非目标（Goal & Non Goal），将业务需求转译为工程需求。 2.架构与系统设计：针对业务问题进行数学与逻辑建模，从零设计AI原生架构（AI-Native Architecture），包括Agent系统的业务流程建模与闭环设计（意图明确、任务拆解、工具调用、自主执行、反思纠错）。在成本、性能、安全、合规、SLO之间做系统级权衡，设计高可用架构并落实监控告警与自动恢复机制。 3.任务编排与交付：将AI的“不确定性”转化为工程的“确定性”。包括环境构建（API网关、消息队列、缓存等），工程迭代（调试、旁路测试、自动化评测），任务拆解与依赖编排，边界治理（权限分级、审计链、失败兜底），以及交付指标的持续优化。 4.Agent核心能力设计与实现：负责Agent关键模块的方案选型与工程落地，包括：上下文与记忆管理（短期/长期记忆方案，上下文窗口管理，多轮交互的信息连贯性），规划与推理策略（根据业务场景选择和优化ReAct、Plan-and-Execute、反思机制等模式），工具集成与编排（对接业务系统API和外部工具，设计工具描述、调用链路与异常处理机制），RAG/知识增强（构建业务知识库的检索增强方案，优化召回质量与上下文注入策略）。 5.工程正确性管理：明确业务规则与边界条件，定义数据契约。建立分层验证体系与CI阻断机制，持续跟踪缺陷密度与线上故障率，通过灰度发布与渐进式rollout持续降低MTTR。 6.沉淀与迭代：通过复盘提炼业务路径与技术经验，将成功经验内化为可复用的模型能力与系统底座，实现智能的规模化应用。

1.基础条件：计算机、软件工程、人工智能等相关专业优先。 2.专业能力 ● AI编程工具重度玩家：Cursor、Claude Code等AI编程工具重度或顶级玩家，具备极强的Prompt编写与调优能力，有过完整的项目级开发经验，理解如何让AI写出生产级代码。 ● 大模型理解与掌握： 理解主流LLM的能力与局限，能够清晰拆解任务并通过LLM或确定性逻辑兜底实现；熟悉主流大模型的应用范式（Prompt Engineering、RAG、Agent、工具/函数调用、检索增强等）及主流Agent框架(如LangChain等)，具备大模型幻觉、Prompt注入等风险的工程化应对思路。 ● 委托编排与人机协作： 具备任务拆解、分层与分布设计能力，能完成上下文供给与约束注入，处理多agent协作与冲突治理。 ● 验证与交付工程： 掌握测试工程全链路（覆盖、回归、分层），具备根因分析与调试定位能力，熟悉CI、lint、静态分析等变更管理工具。 ● 工程与系统素养：能至少在一种主流编程语言（如 Java / Python / JS 等）上有深度的实践经验，掌握常见工程实践并具备优秀的Coding 能力，能够根据场景灵活选型并快速上手。 3.能力特质 ● 学习力：对AI有热情、对前沿技术与产品好奇，对未知开放，能举一反三。 ● 动手能力：积极主动体验市场中先进的模型和产品，独立阅读论文/技术报告等并快速复现，快速主动尝试落地先进开源项目。 ● 技术审美：对新技术有近乎本能的渴望，追求简洁、可维护、可扩展方案；在模型/框架/工具选型上保持高信噪比决策。 【加分项】 1.有AI应用或Agent实际落地经验：包括不限于RAG系统、多智能体编排、结合MCP、Skill等的Agent项目，有可展示的项目/实习成果者优先。 2.开源贡献或技术影响力：在Github上有高质量AI项目、技术博客或社区影响力。 3.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优化、流式输出等工程全景视角。 4.在 CV（计算机视觉）或 NLP（自然语言处理）方向有扎实的理论基础，有实际业务场景模型训练(SFT、RL)等经验的优先。