阿里巴巴校园招聘——顶尖人才计划——阿里星2027届应届生招聘调研报告
这是一份老师要我做的招聘信息报告，我觉得对我了解现在的AI发展挺有帮助，就尽量在自己可理解的范围内做了。
自我手写
AI写得还是无法符合我的心意，但还是让我的阅读轻松了许多，特别是这么多术语和工作内容的描写。我的叙述仅仅出自于自我的想法。
从场景看，阿里的主要场景：
- 电商和其上下游场景
- 千问模型
- 阿里云
- 芯片
从技术看，由于现在的AI更加成熟、落地、产业化，原本不同的AI方向开始互相交叉融合。
- 以 大模型（LLM） 为起点，横向有多模态大模型，纵向有Agent；
- AI Infra 从传统网络通信、数据库存储、分布式、内存优化等方向增强大模型性能；
- 芯片与硬件产业在更底层为LLM提供硬件支持；
- Agent（智能体），以大模型（LLM）为大脑，围绕构建沙箱、工具链、记忆库等工具与环境，以及处理Agent安全使用等问题。
- RL（强化学习） 作为一种灵活度高（相比于监督学习）、规则明确（更数学化、更明确）、可理解的、处理黑箱、进化的方法，被广泛应用，特别是 自进化 依然被作为重要的发展方向。
（我暂时对RL学习较多，LLM、VLM、Agent学习较少）
细看，还有机器人（具身智能和世界模型），Agent自我进化、数据处理等技术内容。
阿里星2027届 · 172个岗位深度分析（v2）
写给谁看：在校本科生、研究生。不需要你对AI行业有预先了解。
数据来源：阿里校招官网 公开信息
岗位总数：172 | 招聘对象：2026.11–2027.10 毕业 | 爬取时间：2026-07-14
怎么读这份报告
每个章节都尽量从"是什么 → 阿里用它干什么 → 和你有什么关系"来组织。
专业名词会直接在句子中解释（而不是扔一个编号让你去末尾翻）。如果你遇到不认识的词，可以直接翻到附录的术语表，按拼音排序的。
一、先建立一张地图
1.1 这172个岗位分布在哪些"部门"？
阿里巴巴不是一家公司，而是很多家公司的集合。不同"集团"做的事情差别很大。投简历之前，你得知道自己投的是哪个。
| 集团 | 岗位数 | 一句话介绍 |
|---|---|---|
| 阿里云 | 54（31%） | 卖云计算和AI服务的。你想训练一个AI模型但没显卡？找阿里云租。 |
| 阿里巴巴控股集团 | 42（24%） | 集团总部的研究部门。做芯片、安全、AI底层技术——偏"硬核"研究。 |
| 淘天集团 | 22（13%） | 淘宝+天猫。搜索、推荐、广告——AI怎么让你"买买买"。 |
| Token Foundry | 21（12%） | 千问大模型（类似ChatGPT）的全职研发团队。产出了Qwen系列的模型。 |
| 阿里国际数字商业集团 | 15（9%） | 做出海电商的：速卖通、Lazada。把AI用到全球供应链上。 |
| 千问C端事业群 | 7（4%） | 把千问大模型做成App/产品给普通用户用。 |
| 平头哥 | 4（2%） | 阿里自己的芯片公司。自研AI芯片（代号"真武"）。 |
| 飞猪/淘宝闪购/高德/阿里健康/虎鲸文娱 | 各1–2 | 旅游、外卖、地图、医疗、影视——AI在垂直行业落地。 |
给求职者的提示：投"Token Foundry"意味着你做的是模型本身；投"阿里云"意味着你做的是让模型跑起来的平台；投"淘天"意味着你把模型用到淘宝的具体业务上。三者要求的能力侧重不同。
1.2 去哪些城市上班？
| 城市 | 出现次数 | 特点 |
|---|---|---|
| 杭州 | 155（90%） | 阿里大本营。几乎所有岗位杭州都有坑。 |
| 北京 | 111（65%） | 偏研究和AI Infra。很多岗位"北京/杭州"二选一。 |
| 上海 | 34（20%） | 芯片方向特别集中（平头哥+控股芯片岗都在上海有坑）。 |
| 深圳 | 5 | 少量云存储/数据库岗 |
| 成都 | 4 | 少量芯片/AI系统岗 |
| 海外 | 西雅图/新加坡/硅谷各1 | 极少数 |
一句话：想去阿里星，杭州（90%）和北京（65%）是首选。如果做芯片方向，上海是重要选项。
1.3 学历和论文要什么水平？
从172个岗位的要求中逐条统计：
| 要求 | 有多少岗位提了 | 你该怎么理解 |
|---|---|---|
| 顶会论文 | 119（69%） | 最硬的指标。NeurIPS、ICML、CVPR这类顶级会议发过论文，几乎是"入场券" |
| 明确要博士 | 94（55%） | 超过一半的岗位直接写了"博士学历" |
| 硕士及以上 | 35（20%） | 至少要有硕士学位 |
| 竞赛经历（ACM/Kaggle等） | 61（35%） | 加分项，尤其在论文不够突出的情况下 |
| C9/985/名校 | 极少数明确提 | 学校牌子不如论文和项目经历重要 |
现实画像：阿里星要的候选人 = 博士（全球Top高校）+ 顶会论文（1–3篇）+ 相关领域项目。
硕士能不能投？能。但你需要用论文 + 竞赛 + 开源贡献的"组合拳"来补学历差距。
二、七条技术赛道
下面把172个岗位归为7条技术方向。对每个方向，我会说清楚三件事：
- 这条方向"是什么"（用大白话）
- 阿里在这条方向上有多少岗位、在做什么
- 你需要学什么才能投这类岗位
2.1 大语言模型（LLM）——147个岗位（85%）
是什么：ChatGPT背后的那类技术。用海量文本训练一个巨大的神经网络，让它学会"理解"和"生成"人类语言。2026年的LLM就像一个很会读书的大学生——什么都懂一点，但需要进一步训练才能做专业任务。
阿里在做什么：千问（Qwen）就是阿里自己的大语言模型家族。Token Foundry的人在做模型本身（从零训练），阿里云的人在把模型包装成云服务卖，淘天的人在把模型用到淘宝搜索里。
这个方向下岗位分几种：
- 训模型（预训练）：从零开始教模型学会语言。就像让一个小孩读完整个互联网的书。
- 教模型变好（后训练）：模型已经会说话了，但你需要教它"好好说话"——回答问题要准确、不能说脏话、要有逻辑。用到的技术包括SFT（给正确答案让它模仿）和RLHF（人对它的回答打分，它学怎么得高分）。
- 把模型用到具体行业：把通用模型变成"医疗模型""代码模型""安全模型"——让它在一个垂直领域变得特别专业。
你如果要投LLM方向：需要懂Transformer（大模型的基础架构）、用过PyTorch训练模型、最好有一篇NLP/ML方向的顶会论文。
2.2 AI Agent（智能体）——89个岗位（52%）
是什么：如果说LLM是一个"脑子"，Agent就是给这个脑子装上了"手和脚"——让它能自己去搜索信息、调用软件API、操作数据库、执行多步任务。
打个比方：你问一个纯LLM"帮我订一张周五去上海的机票"，它只能给你一段文字建议。但你问一个Agent，它真的会去打机票网站、查航班、比价格、下单——自己完成一整串操作。
Agent是2027届阿里星的第一大方向。 89个岗位涉及Agent，是阿里今年最看重的技术方向。
Agent岗位内部又分为：
| 细分 | 通俗解释 |
|---|---|
| 让Agent更聪明 | 研究Agent怎么自己做规划、自己纠错、自己进化 |
| 训练Agent | 用强化学习训练Agent，让它做多步任务时成功率越来越高 |
| 给Agent装"眼睛和耳朵" | 让Agent能看图片、听语音，不只是读文字（多模态Agent） |
| 让Agent写代码 | AI Coding Agent——自动写代码、修Bug、做代码审查 |
| 给Agent搭"运行环境" | Agent运行时需要沙箱、记忆系统、工具库——这些是Agent的"操作系统" |
| Agent在具体行业落地 | 供应链Agent管库存、安全Agent自动找漏洞、导购Agent帮你挑商品 |
2.3 强化学习（RL）——96个岗位（56%）
是什么：一种训练AI的方法。核心思想是"试错学习"——AI做对了给奖励，做错了没奖励或者有惩罚。就像训练一只狗：坐下→给零食，扑人→不给。
为什么阿里要这么多做RL的人？ 因为RL已经从"打游戏"进化到"训练大模型"了。具体有三种用法：
- RL用来对齐大模型（RLHF）：让人给模型的回答打分，模型学怎么得高分。这是让ChatGPT"不说胡话"的关键技术。
- RL用来训练Agent（Agentic RL）：一个Agent执行任务可能要做5–10步操作（搜索→阅读→分析→调用工具→总结），其中任何一步出错整个任务都失败。RL可以给整个任务链打分，让模型自己摸索最好的做法。这是2026年最前沿的方向。
- RL用在传统场景：机器人控制、供应链调度、游戏AI。
一个值得注意的趋势：2027届阿里星中，"RL+Agent"交叉的岗位多达61个。这意味着如果你只懂RL不懂Agent，或者只懂Agent不懂RL，都会错过大量机会。
2.4 多模态AI——98个岗位（57%）
是什么：让AI同时理解文字+图片+语音+视频。纯文字模型看不懂图片——你发一张菜的照片给它，它不知道这是什么。多模态模型能同时处理多种信息。
阿里在做什么：
- 图像/视频生成：万相（Wan）——阿里的视觉生成模型，可以生成商品图、短视频、3D模型
- 视觉理解：让AI看懂商品图片有没有瑕疵、医学影像有没有异常
- 语音：端到端的语音助手（你说一句话，它直接回复你一句，不用先把语音转文字）
- 视频理解与生成：影视级视频编辑、数字人
这条赛道的特点是：和LLM、Agent高度交叉。多模态Agent（能"看"能"听"的Agent）有51个岗位。
2.5 AI基础设施（Infra）——113个岗位（66%）
是什么：让大模型"跑起来"的底层系统。如果一个LLM是一辆跑车，Infra就是赛道+加油站+维修团队。没有Infra，再好的模型也只能停在论文里。
Infra岗位做什么：
- 训练系统：怎么让几千张GPU一起工作几个月不出错？怎么把一个大模型"切碎"分散到所有GPU上同时训练？
- 推理系统：模型训好了部署出去，怎么让它的反应速度够快（一秒之内出结果）、成本够低？
- 编译优化：把AI代码翻译成GPU能最高效执行的指令——就像一个翻译，把"我想画个圆"翻译成GPU最擅长的操作。
- 存储系统：训练数据放哪、模型参数存哪、中间结果怎么缓存？
- 网络通信：几千张GPU之间怎么"沟通"才够快？
Infra方向的特点是：它不要求你很懂机器学习（当然懂更好），更看重操作系统、网络、分布式系统这些计算机基础硬功夫。如果你的背景是计算机系统方向而不是AI方向，Infra是你进阿里星最好的突破口。
2.6 芯片与硬件——38个岗位（22%）
是什么：设计专门跑AI的芯片。英伟达的GPU目前最强，但阿里自己在做AI芯片——平头哥的"真武"系列，以及RISC-V处理器。RISC-V是一种开源免费的CPU指令集，不像Intel/ARM那样需要付费授权。
芯片岗集中在哪里：平头哥（上海为主，4个岗全是芯片软件栈）、控股集团（芯片架构和研究）、阿里云（AI芯片的Infra侧）。
2.7 搜索/推荐/广告 + 供应链 ——共约40个岗位（23%）
是什么：淘宝的搜索框、首页的"猜你喜欢"、商品广告——这些是淘宝/天猫最核心的赚钱引擎。AI要做的，就是让用户更快找到想要的商品，让商家更精准地投放广告。
和学术界有什么区别：学术界比的是"哪个模型在固定数据集上准确率更高"，阿里比的是"哪个模型让用户多下了几单"。
供应链Agent是这个方向的最新热点（15个岗）：让AI自动预测需求、调度库存、定价——把跨境电商（速卖通/Lazada）的全球仓库网络用AI来管理。
三、技术是怎么交叉的
单独看每条技术方向只是第一步。实际上大部分岗位都是"拼盘"——它们撞在一起的地方，往往是最有前景的方向。
3.1 Agent × 强化学习 = 会自我进化的Agent
为什么这个交叉重要？ 传统的方法只是给Agent看"正确答案"让它模仿。但Agent执行多步任务时，"正确答案"往往很难定义——你怎么定义"正确地从搜索→比价→下单"的每一个中间步骤？
这个岗位本质上在做：让Agent在大量试错中自己学会怎么完成多步任务。
举个例子：[Agentic RL 训练基础设施的关键技术研究]（阿里云）
这个岗位做的事可以用四个层面来理解：
- 系统层（底层）：搭一个能让几千张GPU同时跑RL训练的系统。难点是"一边训练模型、一边用模型生成数据"——两个任务在抢同一批GPU。
- 算法层：改进PPO/GRPO这些RL算法，让它们更适合Agent的多步任务场景。比如：Agent执行了10步操作才成功，怎么让它知道"第7步特别关键"？
- 环境层：给Agent搭一个"练习场"——模拟代码执行、网页浏览、API调用等各种真实环境，让Agent在里面反复练习。
- 产品层：把上面的能力变成阿里云PAI平台上的一个产品，让外部公司也能训练自己的Agent。
你如果要投这个方向：懂RL（PPO/GRPO之类）+ 懂LLM训练 + 会Python/C++ + 有系统开发经验。
3.2 大模型 × 多模态 = 能"看"图片的大模型
为什么这个交叉重要？ 纯文字模型看不懂商品图、医学影像、设计稿。而很多商业场景（电商、医疗、设计）恰恰需要理解视觉信息。
96个岗位同时涉及"大模型"和"多模态"，是第二大交叉方向。
代表岗位：[千问Qwen基础大模型前沿技术研究]（Token Foundry）
千问是阿里自研的大模型家族：
- Qwen——纯语言，会读写
- Qwen-VL——语言+视觉，能"看图说话"
- Qwen-Audio——语言+听觉
- Qwen-Omni——全模态统一
- Qwen-Coder——专门写代码
3.3 Agent × 供应链 = 自动管仓库的AI
为什么这个交叉重要？ 跨境电商（速卖通/Lazada）的货物分布在全球几十个国家的仓库。什么时候该往印尼仓补货？该补多少？走海运还是空运？这些决策传统上靠人的经验，现在要用AI来做。
15个岗位属于这个方向。代表岗位：[国际智能供应链与物流 AI Agent]（阿里国际）
这个岗位把三样东西融合在一起：
- 运筹优化（数学）：怎么配舱最省钱？——精确的数学求解
- 大模型（AI）：理解"东南亚雨季会影响物流时效"——世界知识+推理能力
- 强化学习（AI）：在不确定环境中不断调整策略——动态学习
3.4 技术交叉全景
下面这张图展示了技术之间的共现关系（两个方向同时出现在同一个岗位中的次数）：
大模型 (147个岗)
/ | | \
/ | | \
Agent(92) 多模态(102) Infra(113) RL(96)
| \ / \ / \ / \
| \ / \ / \ / \
供应链 安全(9) 芯片(38) 数据(32) Coding(23)
最热的交叉组合（一个岗位同时做N件事）:
LLM + Infra + 多模态 + 数据 → 81个岗
LLM + Agent + Infra → 87个岗
LLM + RL + Agent + Infra + 多模态 → 12个岗（最全栈）
四、听一个岗位怎么说
选了5个有代表性的岗位，每个都拆成"做什么 → 用啥技术 → 面试会问啥 → 你适不适合"。
4.1 做基础大模型：[千问Qwen基础大模型前沿技术研究]
| 在哪 | Token Foundry，北京/杭州/上海 |
| 做什么 | 从模型架构设计→训练→调优→评估，全链路参与千问大模型研发 |
| 要用什么技术 | Transformer架构、大规模分布式训练、RLHF/DPO（让模型对齐人类偏好） |
| 和大学课程的关联 | "自然语言处理"课如果讲过Transformer，这个就是把Transformer放大一万倍 |
| 面试可能问 | "DPO和RLHF各自的优缺点？怎么评估一个LLM的质量？预训练数据怎么清洗？" |
| 适合谁 | NLP/ML方向的博士，有ACL/EMNLP/NeurIPS等顶会论文 |
4.2 做Agent系统：[Agent 全生命周期基建能力建设与应用]
| 在哪 | 阿里国际，杭州 |
| 做什么 | 搭建Agent的"运行平台"——让Agent有记忆、能查资料、运行在安全沙箱里 |
| 要用什么技术 | 分布式系统、RAG（让模型先"查资料"再回答）、向量数据库、Kubernetes |
| 和大学课程的关联 | 操作系统（进程隔离=Agent沙箱）、数据库（向量检索=最近邻搜索）、计算机网络 |
| 面试可能问 | "怎么设计一个能同时跑上万个Agent的系统？RAG的检索不准怎么办？" |
| 适合谁 | 计算机系统方向，不一定需要ML背景——这是Agent岗位里最偏"工程"的 |
4.3 做AI芯片：[面向大模型的AI SoC芯片技术研究]
| 在哪 | 控股集团，北京/杭州/上海 |
| 做什么 | 设计下一代AI芯片架构——3D封装、芯粒（多个小芯片拼一起）、存算融合 |
| 要用什么技术 | 芯片体系结构、先进封装、高性能内存（HBM）、架构仿真 |
| 和大学课程的关联 | 计算机组成原理（CPU流水线→这里做的是AI加速器）、数字电路→物理实现 |
| 面试可能问 | "为什么芯粒设计对AI芯片重要？计算单元和存储在芯片上怎么布局最省电？" |
| 适合谁 | 微电子/体系结构方向博士，有ISSCC/ISCA/MICRO等顶会论文 |
4.4 做电商Agent：[1688买家Agentic AI算法专家]
| 在哪 | 淘天集团，杭州 |
| 做什么 | 在1688（B2B批发平台）上构建买家Agent——用户说"帮我找一批最便宜的蓝牙耳机"，Agent自动搜品→比价→筛选→下单 |
| 要用什么技术 | GRPO/PPO/DPO（让Agent对齐用户需求）、Multi-Agent（多个Agent协作）、模拟器 |
| 和大学课程的关联 | 跟RL课里学的"格子世界"本质一样——只是把"格子"换成了"1688商品库"，动作从"上下左右"变成了"搜索/筛选/下单" |
| 面试可能问 | "怎么给B2B采购场景设计奖励函数？Agent选错了商品怎么让它知道自己错了？" |
| 适合谁 | ML/RL方向硕博，对电商场景有兴趣 |
4.5 做视觉生成：[万相Wan视觉生成与世界模型前沿技术研究]
| 在哪 | Token Foundry，北京/杭州 |
| 做什么 | 研发万相（Wan）——阿里的视觉生成大模型。可以生成图片、视频、3D内容 |
| 要用什么技术 | Diffusion模型（从噪声中"还原"出清晰图像的技术）、DiT（用Transformer做图像生成）、世界模型 |
| 和大学课程的关联 | 概率论（扩散过程=从噪声逐步恢复图像）、深度学习（CNN→Transformer） |
| 面试可能问 | "怎么保证生成视频不闪烁？Diffusion和自回归生成有什么区别？" |
| 适合谁 | CV/多模态方向，有CVPR/ICCV/NeurIPS顶会论文 |
五、求职路线图
5.1 你学什么专业，投什么方向最对口
| 你的背景 | 最对口的赛道 | 你的优势 | 要补的 |
|---|---|---|---|
| 计算机（系统方向） | AI Infra / Agent Infra | OS、网络、分布式系统功底 | 补AI基础概念 |
| 计算机（AI方向） | LLM / Agent / RL | 机器学习理论基础 | 补系统工程能力 |
| 软件工程 | AI Coding / Agent平台 | 工程能力和工具链 | 补ML/AI基础 |
| 电子/微电子 | 芯片/硬件 | 体系结构、电路设计 | 了解AI模型的计算特点 |
| 数学/统计 | LLM理论 / RL算法 | 数学和优化理论 | 补编程和系统能力 |
| 自动化/控制 | 具身智能 / RL | 控制理论、强化学习 | 补大模型知识 |
5.2 竞争力要素：什么最重要
从172个岗位的要求中统计高频词，排优先级：
| 排名 | 准备什么 | 多少岗位提到 | 你可以怎么做 |
|---|---|---|---|
| 🥇 | 顶会论文 | 119（69%） | 尽早进实验室跟项目；先投Workshop再冲主会 |
| 🥈 | 大模型/Agent实战经验 | 147+（85%） | 用Qwen/LLaMA等开源模型做一个小项目；给开源项目提PR |
| 🥉 | 强化学习能力 | 96（56%） | 读Sutton&Barto教材 + OpenAI Spinning Up教程 + 复现一个RL项目 |
| 4 | ACM/Kaggle竞赛 | 61（35%） | Kaggle门槛低、见效快；ACM更硬核但周期长 |
| 5 | Python + PyTorch | 几乎所有 | 这不是加分项是基本项——必须熟练 |
| 6 | C++ | 80（47%） | Infra/系统岗必须；算法岗至少要能读懂 |
5.3 三条典型路径
路径一：做研究 → 投Token Foundry / 控股集团的基础研究岗
读博 → 发顶会论文 → 开源贡献 → 面试
路径二：做系统 → 投阿里云 / 阿里国际的Infra岗
硕/博 → 分布式系统项目 → 系统方向论文 → 面试
路径三：做业务 → 投淘天 / 阿里国际的业务算法岗
硕/博 → 搜推广/Agent相关研究 → 业务方向论文 → 面试
六、各集团一句话总结
| 集团 | 标签 | 适合谁 |
|---|---|---|
| Token Foundry | "造模型" | 想做基础大模型，有NLP/CV顶会论文 |
| 阿里云 | "卖平台" | 覆盖面最广（54个岗），Infra/Agent/多模态都有 |
| 控股集团 | "做研究" | 偏硬核：芯片、安全、AI底层技术 |
| 淘天集团 | "让淘宝更聪明" | 搜推广、电商Agent——离钱最近 |
| 阿里国际 | "AI出海" | 供应链Agent、多语言电商——全球化场景 |
| 平头哥 | "做芯片" | 硬件方向唯一选择（仅4个岗） |
| 千问C端 | "让AI触达用户" | 产品化思维+技术能力 |
七、完整岗位一览（172个，含方向标注）
下面是全部172个岗位，每个都标注了所属的技术方向（简化标签，最多3个）和一句话说明。
标签说明：🤖=Agent | 📚=LLM | 🎮=RL | 👁=多模态 | ⚙=Infra | 🔍=搜推广 | 🚚=供应链 | 💾=芯片 | 🔒=安全 | 📊=数据 | 🏃=具身智能 | 💻=Coding
阿里云（54个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 1 | 大规模分布式云存储系统关键技术 | ⚙ | 设计能存下"整个互联网"级别的云存储 |
| 2 | ATH MaaS大模型&智能体前沿算法研究 | 📚🤖🎮 | 在阿里云平台上做大模型+Agent的算法创新 |
| 3 | 阿里云终端智能计算Agentic算法 | 🤖📚 | 让Agent在手机/终端设备上本地运行 |
| 4 | 具身智能的高效训练、数据闭环与云上部署 | 🏃📚 | 让机器人模型在云端训练、在本地部署 |
| 5 | 大规模模型训练的调度与框架协同优化 | ⚙📚 | 让几万张GPU训练大模型时不"堵车" |
| 6 | Agentic RL 训练基础设施的关键技术研究 | 🤖🎮⚙ | 为Agent训练搭RL系统——最前沿的交叉方向 |
| 7 | 面向AI搜索的Native引擎性能优化 | 🔍⚙ | 让AI搜索快到"毫秒级" |
| 8 | 超大规模训练关键技术 | ⚙📚 | 搞定千亿参数模型的训练稳定性 |
| 9 | 大语言模型高性能推理系统关键技术研究 | ⚙📚 | 让部署后的大模型"反应快、成本低" |
| 10 | 大模型推理优化-算子与框架适配 | ⚙📚 | 把AI运算翻译成GPU最高效的执行方式 |
| 11 | 多模态AI数据湖存储技术 | 👁📊⚙ | 存图片+视频+文本的"超级数据仓库" |
| 12 | Streaming Agent技术 | 🤖⚙ | 让Agent能实时处理连续不断的数据流 |
| 13 | 面向多模态与Agentic湖仓的AI-aware查询优化 | 👁🤖📊 | 让数据库"看得懂"Agent和多模态的查询需求 |
| 14 | 面向异构计算的多模态数据处理性能优化 | 👁⚙ | 不同类型硬件（GPU/NPU）上高效处理图像视频 |
| 15 | AI Native数据计算引擎 | ⚙📊 | 重新设计一套"AI原生"的数据处理引擎 |
| 16 | KV Cache分布式存储的网络优化 | ⚙📚 | 让大模型推理时的缓存数据在网络中传输得更快 |
| 17 | 面向推理场景的通算&智算多业务融合网络 | ⚙ | 让AI推理和普通计算共享同一套网络不冲突 |
| 18 | 面向真实安全攻防场景的自主智能体 | 🤖🔒 | 让Agent自己找漏洞、做攻防对抗 |
| 19 | 云安全大模型智能体对抗评测与能力边界定义 | 🔒🤖📚 | 测试安全Agent到底有多强、边界在哪 |
| 20 | AI Infra高性能通信与传输系统 | ⚙ | 让几千张GPU之间的数据传输不成为瓶颈 |
| 21 | 智算网卡与协议栈竞争力构建 | ⚙💾 | 设计专门为AI场景优化的网络硬件 |
| 22 | 基于AI-native的智算稳定性研发创新 | ⚙ | 用AI的方法来维护AI训练集群的稳定性 |
| 23 | 大模型推理Prefill-Attention-FFN分离-类GPU硬件架构 | ⚙💾📚 | 把推理过程的不同阶段放到不同硬件上跑 |
| 24 | 面向大规模LLM Infra的编译优化&代码生成 | ⚙📚 | 自动把AI代码翻译成最高效的GPU指令 |
| 25 | 面向超节点的大语言模型推理方案 | ⚙📚 | 在"超级服务器"上做大规模推理 |
| 26 | Agentic AI Infra内存无感超分技术研究 | 🤖⚙ | 让Agent以为自己有无限内存 |
| 27 | 构建面向AI Agent的下一代调度与计算引擎 | 🤖⚙ | 为Agent专门设计一套计算调度系统 |
| 28 | 构建基于AI模型和Agentic架构的智能自主化Kubernetes | 🤖⚙ | 让Kubernetes集群自己管自己 |
| 29 | 面向AGI的新一代智能体/沙箱运行时 | 🤖⚙ | 设计Agent的"安全运行环境" |
| 30 | 前沿安全工具能力预研 | 🔒 | 探索下一代安全检测工具 |
| 31 | 视觉生成模型的内生安全对齐与伦理约束 | 👁🔒 | 让AI生成的图片不违规、不侵权 |
| 32 | AI Agent基础设施&系统架构 | 🤖⚙ | 设计Agent的"操作系统" |
| 33 | MaaS多模态AI搜索算法研究 | 🔍👁📚 | 用多模态技术做"以图搜图"式的AI搜索 |
| 34 | MaaS Agentic视觉生成算法研究 | 🤖👁 | 让Agent自动规划"怎么生成一张好图" |
| 35 | 面向大模型的实时交互式AI Agent系统架构 | 🤖⚙📚 | 让Agent和你对话时"不卡顿、可打断" |
| 36 | AI Agent应用研发&平台架构（AIGC） | 🤖👁 | 做Agent+内容生成的平台产品 |
| 37 | AI Agent应用研发&系统架构（搜索） | 🤖🔍 | 做Agent+搜索的平台产品 |
| 38 | AI Agent应用研发&系统架构 | 🤖⚙ | 做Agent平台的基础能力建设 |
| 39 | Answer Engine查询引擎-多模态和向量检索 | 🔍👁 | 做一个能"理解你的意图"的查询引擎 |
| 40 | Data+AI融合：下一代多模态数据库/AI数据湖 | 📊👁 | 把数据库和AI引擎做成一个东西 |
| 41 | 大模型推理KV Cache系统：从存储到软硬协同 | ⚙📚 | 全栈优化大模型推理的缓存系统 |
| 42 | 面向训推一体与特定硬件无关的通信优化 | ⚙ | 让训练和推理能在不同硬件间无缝切换 |
| 43 | Agentic数据库智能管理与运维体系 | 🤖📊 | 让数据库自己管自己——自动调优、自动修故障 |
| 44 | 面向复杂任务的自主智能体规划推理与协作 | 🤖 | 让多个Agent像团队一样分工协作 |
| 45 | 面向AI的高性能分布式存储系统研发 | ⚙📊 | 专门为AI训练场景设计的文件系统 |
| 46 | AI训练推理场景下万亿文件规模高性能并行文件存储 | ⚙📊 | 存"万亿个文件"不崩 |
| 47 | 面向大模型推理的通用后端运行时系统 | ⚙📚 | 做一个"万能适配层"让不同模型都能高效跑 |
| 48 | 面向Agent场景Runtime与操作系统研究 | 🤖⚙ | 研究Agent需要什么样的"操作系统" |
| 49 | 异构算力下的大模型后训练加速与效果调优 | ⚙📚 | 不同类型的GPU混在一起训练，怎么不损失效果 |
| 50 | 端云多模态智能体推理&调度 | 🤖👁⚙ | Agent有时在云端跑有时在手机跑——怎么调度 |
| 51 | 自主智能体自进化技术 | 🤖 | 让Agent自己改进自己——学会"学习" |
| 52 | 向量数据库竞争力构建 | 📊 | 做一个专门存"语义信息"的数据库 |
| 53 | 音视频数字人多模态大模型算法研究和应用 | 👁📚 | 做虚拟数字人——能说话、能做表情 |
| 54 | 大模型推理优化 | ⚙📚 | 让大模型跑得更快更省显存 |
阿里国际数字商业集团（15个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 55 | 海外电商图文及短视频生成 | 👁📚 | AI自动生成商品图和营销短视频 |
| 56 | 国际智能供应链与物流AI Agent | 🤖🚚📚 | 用Agent管全球库存+物流——供应链方向最核心的岗 |
| 57 | 全球零售经营AI Agent智能算法革新 | 🤖🚚📚 | Agent自动管选品+定价+库存全链路 |
| 58 | 海量工具调用Agent的强化学习算法研究 | 🤖🎮 | 研究Agent怎么同时调用几十个工具不出错 |
| 59 | Agentic Post-training | 🤖📚 | 专门针对Agent场景做模型后训练 |
| 60 | 面向异步长程任务的主动式Agent研究 | 🤖🎮 | 让Agent处理"你下单后三天才发货"这种长周期任务 |
| 61 | 国际化多语言电商大模型建设及搜索系统革新 | 📚🔍 | 做一个懂几十种语言的电商大模型 |
| 62 | 全球化电商推荐大模型 | 📚🔍 | 给不同国家的用户推荐不同的商品 |
| 63 | Agent全生命周期基建能力建设与应用 | 🤖⚙ | 搭Agent的"从开发到运行的完整平台" |
| 64 | Agentic多模态生成算法研究 | 🤖👁 | 让Agent规划"怎么生成最好的图/视频" |
| 65 | LLM and Multimodal Post-training | 📚👁 | 同时对语言+视觉模型做后训练 |
| 66 | Accio Work Agentic后训练 | 🤖📚 | 专门针对工作流Agent做后训练 |
| 67 | 多模态多语言搜索算法研究 | 🔍👁 | 用图片+多语言文字做跨境搜索 |
| 68 | 国际智能定价和投资AI Agent | 🤖🚚📚 | Agent自动定价+投资决策——供应链定价方向 |
| 69 | 搜推广场景的训推效能攻坚 | 🔍⚙ | 让搜索/推荐/广告模型的训练和推理效率翻倍 |
淘天集团（22个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 70 | 基于大模型的搜索算法研究与应用 | 🔍📚 | 用LLM重做淘宝搜索——从"关键词匹配"变成"理解你意图" |
| 71 | 1688AI大模型应用算法专家 | 📚🤖 | 在1688批发平台上用大模型做采购Agent |
| 72 | 1688买家Agentic AI算法专家 | 🤖🎮 | 训练买家Agent让它在B2B场景中越来越会找货 |
| 73 | 3D重建大模型 | 👁📚 | 用AI从几张照片自动生成商品的3D模型 |
| 74 | Agent在线强化学习 | 🤖🎮 | 让Agent在真实线上环境中边跑边学 |
| 75 | AI研发领域专家模型 | 💻📚 | 训练一个"最会写代码"的AI模型 |
| 76 | AIGC多模态内容生成算法研究 | 👁 | 自动生成商品详情页的图文内容 |
| 77 | 产业链Agentic AI与多模态世界模型算法专家 | 🤖👁📚 | 打通"工厂→仓库→消费者"的全链路Agent |
| 78 | 电商场景下AI Infra & Data Infra建设 | ⚙📊 | 搭建支撑淘宝量级AI计算的基础设施 |
| 79 | 多模态传输 | 👁⚙ | 让图片+视频+文本在网络上传输得更高效 |
| 80 | 多模态大模型研究 | 👁📚 | 研究能理解商品图的多模态模型 |
| 81 | 多模态理解与用户意图推理 | 👁🔍 | 通过你的浏览行为推理你真正想买什么 |
| 82 | 多模态内容理解算法及应用 | 👁 | 让AI看懂短视频+直播+图文内容 |
| 83 | 基于大模型的广告算法研究与应用 | 🔍📚 | 用LLM让广告投放更精准 |
| 84 | 视频编解码 | 👁⚙ | 压缩视频文件让它在淘宝上秒加载 |
| 85 | 基于大模型的推荐算法研究与应用 | 🔍📚 | 用LLM重做"猜你喜欢"——生成式推荐 |
| 86 | 基于多模态大模型的理解与生成算法研究与应用 | 👁📚 | 同时做商品理解和商品图生成 |
| 87 | 跨模态理解与视频生成处理 | 👁 | 从商品标题生成商品展示视频 |
| 88 | 大模型驱动的用户理解&权益发放模型优化 | 📚🔍 | 用LLM判断"这个用户是不是该发优惠券" |
| 89 | AI导购&智能推荐 | 🤖🔍 | 打造新一代AI导购——不只是推荐商品而是"陪你逛" |
| 90 | 自营智能商业Agent | 🤖🚚 | 让Agent自动运营天猫超市——选品+定价+促销 |
| 91 | 基于行为奖励与快慢脑协同的实时AI导购研究 | 🤖🎮 | 让AI导购在你犹豫时"推你一把" |
阿里巴巴控股集团（42个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 92 | AI Coding数据分析与评测 | 💻📊 | 建一套评测体系判断"AI写的代码好不好" |
| 93 | 面向大模型的AI SoC芯片技术研究 | 💾📚 | 设计下一代AI芯片——3D封装+芯粒 |
| 94 | 产品可搭载的高能效AI芯片创新架构 | 💾 | 设计能塞进手机/物联网设备的低功耗AI芯片 |
| 95 | 医疗多模态大模型与AI智能体 | 👁🤖 | 做能看CT片子+写诊断报告的AI医生助理 |
| 96 | AI驱动的RISC-V高性能编译优化方法 | 💾💻 | 让RISC-V芯片跑AI代码跑得跟GPU一样快 |
| 97 | 基于RISC-V微架构的基础软件性能建模与优化 | 💾⚙ | 为RISC-V芯片建"性能预测模型" |
| 98 | RISC-V微架构瞬态攻击研究和探索 | 💾🔒 | 研究RISC-V芯片有没有安全漏洞 |
| 99 | AI搜索架构与系统设计 | 🔍⚙ | 从零设计一套"AI原生"的搜索引擎架构 |
| 100 | MaaS的高效资源调度与系统设计 | ⚙📚 | 让AI云服务的几千张GPU被高效分配 |
| 101 | RISC-V矩阵扩展架构研究与实现 | 💾 | 给RISC-V芯片加上"矩阵计算"能力（AI需要） |
| 102 | 安全领域基础大模型构建与应用 | 🔒📚 | 训练一个专门懂安全的LLM——自动找漏洞、写防御方案 |
| 103 | 超大规模大模型训练Infra构建和研发 | ⚙📚 | 搭能训"万亿参数"模型的训练系统 |
| 104 | 存算一体架构研究 | 💾 | 让数据"在存储的地方直接计算"，不用搬来搬去 |
| 105 | 大规模分布式训练推理加速及软硬协同优化 | ⚙📚💾 | 软件+硬件一起优化，让AI训练更快 |
| 106 | 代码场景的Agentic RL与数据合成 | 💻🤖🎮 | 训练能自己写代码+自己改Bug的Agent |
| 107 | 高性能处理器执行子系统架构研究和实现 | 💾 | 设计CPU内部"执行指令"的核心模块 |
| 108 | 构建面向软件工程的自主进化智能体系统 | 💻🤖 | 让Agent自己学会怎么更好地写代码 |
| 109 | 医疗AI基础大模型技术研究 | 📚 | 从零训练一个"医学专业"的大模型 |
| 110 | 面向AI芯片AI Agent软件研发提效 | 💾🤖💻 | 让AI Agent帮忙设计AI芯片 |
| 111 | 面向AI芯片推理系统优化 | 💾⚙ | 让阿里自研芯片上的推理跑得更快 |
| 112 | 面向AI Coding的下一代高性能推理引擎 | 💻⚙ | 专门为"AI写代码"场景优化的推理引擎 |
| 113 | 面向AI编码产品的智能研发交付与工程效能平台 | 💻⚙ | 用AI加速软件开发的整个流程 |
| 114 | 面向多模态大模型的分布式推理架构与极致性能优化 | 👁⚙ | 让多模态模型推理不卡顿 |
| 115 | 面向数字员工的自主Agent编程技术研究与系统实现 | 🤖💻 | 让Agent控制电脑自动完成"数字员工"的工作 |
| 116 | AI芯片软硬件协同 | 💾⚙ | 硬件设计和软件优化一起做 |
| 117 | 面向智能体的大规模可扩展的自进化强化学习环境 | 🤖🎮 | 给Agent搭一个"超级练习场" |
| 118 | 内容安全自进化智能体研究 | 🤖🔒 | 让审查内容的Agent越来越聪明 |
| 119 | 大规模多地域数据存储和异构计算系统研究 | 📊⚙ | 数据分布在全球，怎么高效存+算 |
| 120 | 下一代大模型高效推理与生成范式研究 | 📚⚙ | 研究"除了逐字生成还有没有更快的方式" |
| 121 | 高性能GPU算子生成Agent研发（AI for AI） | 💾🤖💻 | 用AI自动写GPU底层代码——AI帮人类设计AI |
| 122 | 大规模AI算力资源的数据驱动智能决策 | ⚙📊 | 用数据驱动"把GPU分给谁用"的决策 |
| 123 | 自主研发Agent的可信交付与规模化运行 | 🤖⚙ | 让自研Agent能稳定地跑在生产环境 |
| 124 | 智能体威胁识别与对抗防御研究 | 🤖🔒 | 研究"Agent会不会被攻击"并做防御 |
| 125 | 面向AGI时代的大模型全链路安全对齐 | 🔒📚 | 确保越来越强的AI"不会做坏事" |
| 126 | AI视频前沿算法标准探索及产品化 | 👁 | 研究下一代视频AI技术标准 |
| 127 | 医疗AI基础模型与智能体 | 📚🤖 | 医学AI+Agent——辅助诊断 |
| 128 | 具身智能大模型技术研究 | 🏃📚 | 让机器人有"大脑"——理解物理世界 |
| 129 | AI编译器与编程语言 | 💻💾 | 做一套新的"AI编程语言"和编译器 |
| 130 | 智能体运行时安全评测与防御关键技术研究 | 🤖🔒 | 怎么评估一个Agent"安不安全" |
| 131 | 用于决策的通用人工智能AGI技术研究 | 🤖📚 | 探索"能做任何决策"的通用AI |
| 132 | 医疗多模态智能体研究 | 👁🤖 | 让医学Agent能看影像+读病历+写报告 |
| 133 | AI Agent CPU架构探索 | 🤖💾 | 设计"专门跑Agent"的CPU |
Token Foundry（21个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 134 | Agentic Coding后训练技术研究 | 💻🤖📚 | 让模型在"写代码"这件事上通过RL训练越做越好 |
| 135 | 千问Qwen训练/推理Infra前沿技术研究 | 📚⚙ | 让千问大模型训得更快、跑得更快 |
| 136 | 大模型理解和生成统一结构研究与应用 | 📚 | 让"理解"和"生成"共享同一个模型架构 |
| 137 | 多模态大模型理解的研究与应用 | 👁📚 | 让千问看懂图片 |
| 138 | 多模态理解和生成统一的前沿应用研究 | 👁📚 | 一个模型同时做"看图理解"和"看图生成" |
| 139 | 多模态生成理解统一大模型 | 👁📚 | 理解和生成合二为一 |
| 140 | 多模态世界模型强化学习研究与应用 | 👁🎮🏃 | 用RL训练"理解物理世界"的模型 |
| 141 | 多模态世界模型研究与应用 | 👁🏃 | 让AI建立对物理规律的内部理解 |
| 142 | 多模态音乐理解与生成的研究与应用 | 👁 | AI作曲+AI理解音乐 |
| 143 | 多模态语音理解与生成的研究与应用 | 👁 | 语音识别+语音合成的深度结合 |
| 144 | 万相Wan视觉生成与世界模型前沿技术研究 | 👁🏃 | 阿里的核心图像/视频生成项目——万相 |
| 145 | 世界模型视觉算法研究与应用 | 👁🏃 | 让AI理解"物体掉在地上会碎"这种物理常识 |
| 146 | 千问Qwen基础大模型前沿技术研究 | 📚 | 阿里最核心的模型研发岗——从架构到评估全链路 |
| 147 | 面向下一代AGI范式的多模态大模型综合评测技术 | 👁📚 | 设计评估多模态模型"到底有多强"的标准 |
| 148 | 3D视觉算法研究 | 👁 | 让AI从2D照片推理出3D结构 |
| 149 | 以人为中心的多模态大模型算法研究 | 👁📚 | 让AI理解人——动作、表情、意图 |
| 150 | 超大规模语言模型RL Infra | 🎮⚙📚 | 搭能支撑千问级别RL训练的底层系统 |
| 151 | 语音大模型算法研究 | 👁📚 | 做一个"语音版GPT"——直接语音进语音出 |
| 152 | 下一代大模型智能体框架与数据技术 | 🤖📚 | 设计下一代Agent框架+训练数据方案 |
| 153 | 大模型新范式与前沿技术研究 | 📚 | 探索Transformer之后的下一个架构 |
| 154 | 多模态大模型与智能体算法研究 | 👁🤖📚 | 多模态+Agent联合研究 |
千问C端事业群（7个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 155 | Agentic训练与统一智能体演进研究 | 🤖🎮 | 让不同类型的Agent用统一方式训练 |
| 156 | Agent自我学习进化与多Agent群体智能研究 | 🤖 | 让Agent自己进步+多个Agent像社会一样协作 |
| 157 | 大模型推理训练前沿技术研究 | 📚⚙ | 研究最新的训推技术并落地到千问产品 |
| 158 | 端到端语音智能体前沿技术研究 | 👁🤖 | 做一个"你说→它直接说回来"的语音Agent |
| 159 | 多模态Search Agent研究&应用 | 🔍👁🤖 | 做一个能用"看到的信息"来搜索的Agent |
| 160 | 智能体化多模态生成模型研究 | 🤖👁 | 让Agent自动规划"怎么生成最好的内容" |
| 161 | 统一多模态大模型后训练算法研究 | 👁📚 | 让多模态模型的后训练更统一、更高效 |
其他集团（11个）
| # | 岗位 | 标签 | 一句话 |
|---|---|---|---|
| 162 | 世界模型与具身智能研究（高德） | 🏃👁 | 让自动驾驶AI理解物理世界 |
| 163 | 医学AI深度研究应用构建（阿里健康） | 📚 | 把大模型用到真实医疗场景 |
| 164 | 在线旅行领域的多模态大模型研究&实践（飞猪） | 👁📚 | 让AI看懂旅游攻略+自动规划行程 |
| 165 | 影视级视频理解和可控生成研究（虎鲸文娱） | 👁 | 做"导演级"的AI视频生成 |
| 166 | 下一代AI智能体在在线旅行领域的研究&实践（飞猪） | 🤖 | 做旅游Agent——自动订机票酒店 |
| 167 | 淘宝闪购C端Agent研究与实践 | 🤖 | 做外卖Agent——自动帮你选餐厅下单 |
| 168 | 时空互联网商业AI内核范式的研究和应用（淘宝闪购） | 📚 | 在"30分钟送达"场景下用AI做决策 |
| 169 | 面向AI场景的CPU/AI芯片性能与功耗优化探索（平头哥） | 💾 | 让AI芯片更省电、跑得更快 |
| 170 | 面向真武AI芯片的深度学习编译与大模型推理引擎优化（平头哥） | 💾⚙📚 | 让千问能在阿里自研芯片上高效跑 |
| 171 | 面向真武AI芯片的高性能计算软件加速研究（平头哥） | 💾⚙ | 为真武芯片写最底层的加速软件 |
| 172 | AI开源框架在真武AI芯片上的性能分析与深度优化研究（平头哥） | 💾⚙ | 让PyTorch等开源框架在阿里芯片上跑出最好性能 |
附录：专业术语表（按拼音排序）
| 术语 | 一句话解释 |
|---|---|
| Agent（智能体） | 能自己做规划、调用工具、执行多步任务的AI。LLM是"脑子"，Agent是"有手有脚有工具的脑子" |
| Agentic RL | 用强化学习训练Agent——让它试错、从失败中学怎么把事办成 |
| AIGC | AI生成的内容：AI画的图、写的文章、做的视频都叫AIGC |
| Chiplet（芯粒） | 不做一颗超大芯片，而是做多颗小芯片像乐高一样拼在一起 |
| CUDA | 英伟达GPU的编程平台。你想让GPU干活，得用CUDA写代码 |
| Diffusion模型 | 从"纯噪声"一步步还原成清晰图片的技术。Stable Diffusion就是用的这个 |
| DiT | 用Transformer（而不是传统的U-Net）做图像扩散模型 |
| DPO | 一种训练方法——直接让模型对比"好回答"和"差回答"来学，比RLHF更简单 |
| GPU | 图形处理器。本来是拿来渲染游戏的，但恰好特别适合AI计算 |
| GRPO | 一种强化学习算法，不需要额外的"价值判断网络"，通过组内比较来优化 |
| HBM | 高带宽内存。堆叠设计，带宽是普通内存的很多倍。大模型推理的标配硬件 |
| Infra（基础设施） | 让大模型"跑起来"的系统：训练框架、推理引擎、GPU集群调度等 |
| KV Cache | 推理时缓存中间结果，让大模型生成文字时"不卡"。一种用空间换时间的技术 |
| LLM（大语言模型） | ChatGPT/Qwen这类"很会聊天的AI"。用海量文本训练出来的巨型神经网络 |
| MaaS（模型即服务） | 把大模型包装成云服务卖——客户不用自己训练，直接调API |
| MoE（混合专家） | 把大模型拆成多个"专家"子模型，每次只激活其中几个，节省算力 |
| Multi-Agent（多智能体） | 多个Agent像团队一样分工合作，各司其职 |
| NPU | 神经网络处理器。专门为AI计算设计的芯片，和GPU是竞争关系 |
| Post-training（后训练） | 模型已经会说话了，但你需要进一步教它"好好说话"——准确、有用、安全 |
| PPO | 最主流的强化学习算法之一。"每次只更新一点点，别学崩了" |
| Pre-training（预训练） | 用海量数据从零教模型学会语言的基本规律。最烧钱、最耗时的阶段 |
| RAG（检索增强生成） | 让模型回答前先"翻书查资料"，而不是只靠记忆——更准、更新 |
| REINFORCE | 最基础的策略梯度RL算法，所有高级RL算法的"思想源头" |
| RISC-V | 开源免费的CPU指令集。不像Intel/ARM要收费，谁都可以免费用 |
| RL（强化学习） | "试错学习"——AI做对了给奖、做错了罚，通过大量尝试自己学会策略 |
| RLHF（人类反馈强化学习） | 让人类给AI的回答打分，AI学"怎么得高分"。让ChatGPT不说胡话的关键 |
| Scaling Law（规模定律） | 模型越大、数据越多、算力越多→效果越好。简单粗暴但有效 |
| SFT（监督微调） | 给模型看正确答案让它模仿——最基础的"调教"方式 |
| Transformer | 目前所有大模型的基础架构。"Attention is All You Need"那篇论文提出的 |
| VLM（视觉语言模型） | 能同时理解图片和文字的大模型（如GPT-4V、Qwen-VL） |
| vLLM | 一个开源的大模型推理加速框架，能让部署后的模型跑得更快、更省显存 |
| 世界模型 | 让AI理解物理世界的因果规律（"杯子掉在地上会碎"），而不是只会像素级模仿 |
| 向量数据库 | 存"语义"而不是存"文字"的数据库。搜"开心的"能找到"快乐的" |
| 运筹优化 | 用数学方法求解"怎么安排最省钱/最省时间"这类问题 |
| 算子 | 神经网络的基本运算单元（如矩阵乘法、卷积）。GPU上跑的就是这些 |
八、从商业版图到技术工位：阿里AI岗位的"生产线"全景
前面七章，我们把172个岗位按技术方向分了类、打了标签。这一章换一个视角：从阿里在做什么生意出发，逐层向下拆解，看看每条业务线需要哪些技术模块，每个模块又有哪些具体岗位在支撑。 就像先看到整条汽车生产线，再看到冲压、焊接、总装各个车间，最后看到每个工位上的人手上在做什么。
8.1 阿里在做什么：三条主生产线
阿里巴巴集团的营收来源虽然多元，但核心可以归结为三条主线——172个阿里星岗位，本质上是为这三条线输送技术人才。
┌─────────────────────┐
│ 阿里巴巴集团 │
└─────────┬───────────┘
│
┌───────────────────────┼───────────────────────┐
│ │ │
┌─────▼─────┐ ┌──────▼──────┐ ┌──────▼──────┐
│ 电商 │ │ 云计算 │ │ 大模型/AI │
│ (赚钱的) │ │ (卖算力的) │ │ (造智能的) │
└─────┬─────┘ └──────┬──────┘ └──────┬──────┘
│ │ │
┌─────▼─────┐ ┌──────▼──────┐ ┌──────▼──────┐
│ · 淘宝天猫 │ │ · 阿里云 │ │ · Token │
│ · 1688 │ │ (54个岗) │ │ Foundry │
│ · 速卖通 │ │ │ │ (21个岗) │
│ · Lazada │ │ │ │ · 千问C端 │
│ · 闲鱼 │ │ │ │ (7个岗) │
└───────────┘ └──────────────┘ └─────────────┘
外加两条支撑线：芯片（平头哥，4个岗）为三条主线提供硬件底座；安全（控股集团，9个岗）为所有业务提供防护。
8.2 逐层拆解：从"用户打开淘宝"到"GPU上的矩阵乘法"
下面以电商（最大的业务场景）为例，展示一条完整的"生产工序"是怎么一层层落到技术岗位上的。
第一层：用户看到的一条购物链路
用户打开淘宝 → 搜索"蓝牙耳机" → 浏览结果 → 点进商品详情
→ 看视频评价 → 加入购物车 → 领优惠券 → 下单 → 支付
→ 仓库拣货 → 打包 → 物流配送 → 签收
这条链路普通人花5分钟走完。但在阿里内部，每一步背后都是一整套AI系统在运作。
第二层：把购物链路拆成业务功能模块
搜索"蓝牙耳机"
│
├─→ 模块A: 搜索 ──── 理解你在搜什么，从几十亿商品中找到最相关的
│
├─→ 模块B: 推荐 ──── "买蓝牙耳机的人也买了耳机套"——猜你喜欢
│
├─→ 模块C: 广告 ──── 哪个商家竞价胜出，展示在搜索结果前排
│
├─→ 模块D: 内容理解 ─ 看懂商品图、识别视频里的产品、提取商品属性
│
├─→ 模块E: 定价/营销 ─ 这个商品该卖多少钱？要不要给你发优惠券？
│
├─→ 模块F: 供应链 ─── 货存在哪个仓？怎么调配最省钱？
│
└─→ 模块G: 客服 ──── 退货/换货/咨询，谁来回答你？
第三层：每个功能模块背后有哪些技术问题
拿模块A（搜索）举例——"蓝牙耳机"四个字，到一个排序好的商品列表，中间发生了什么：
用户输入"蓝牙耳机"
│
├─ Query理解 ──── "蓝牙耳机"真正的意图是什么？
│ 是"买"还是"修"？是"头戴式"还是"入耳式"？
│ 技术手段：大模型做语义理解 + 用户历史行为推断意图
│
├─ 商品召回 ──── 从几十亿商品中捞出几千个候选
│ 传统方法：关键词匹配（标题里含"蓝牙耳机"）
│ 新方法：向量检索——把"蓝牙耳机"和所有商品标题
│ 都变成数学向量，找最相似的
│ 技术手段：向量数据库 + 多模态Embedding
│
├─ 相关性排序 ── 几千个候选中，哪个最可能被你点击？
│ 传统方法：LR/GBDT/XGBoost 等机器学习模型
│ 新方法：用LLM直接"理解"商品和Query的匹配程度
│ 技术手段：生成式排序 + 大模型打分
│
├─ 多模态匹配 ── 你搜"ins风耳机"，标题里不一定有"ins风"这几个字
│ 但商品图确实是小清新风格——需要AI"看懂"图片风格
│ 技术手段：多模态大模型（VLM）做图文匹配
│
└─ AI原生交互 ── 未来的搜索不只是"输入关键词→出列表"
而是对话式的："我想要一款适合跑步的耳机，预算300以内，
续航要好，最好是白色的"
AI自己拆解需求→搜品→比较→推荐
技术手段：Search Agent（搜索智能体）
第四层：每个技术问题对应的具体岗位
把上面搜索链路的每一步映射到阿里星的招聘岗位：
| 工序 | 技术任务 | 对应阿里星岗位 | 集团 |
|---|---|---|---|
| Query理解 | 用LLM推断用户意图 | 基于大模型的搜索算法研究与应用 | 淘天 |
| 商品召回 | 向量检索+多模态匹配 | Answer Engine查询引擎-多模态和向量检索 | 阿里云 |
| 相关性排序 | 生成式排序模型 | 基于大模型的搜索算法研究与应用 | 淘天 |
| 多模态匹配 | 图文一致性的"裁判" | 多模态大模型理解的研究与应用 | Token Foundry |
| 搜索基础设施 | 让整个搜索系统"不卡" | 面向AI搜索的Native引擎性能优化 | 阿里云 |
| AI原生搜索 | 对话式搜索Agent | 多模态Search Agent研究&应用 | 千问C端 |
| 搜索安全 | 过滤违规商品 | 内容安全自进化智能体研究 | 控股集团 |
一个人的一次"搜索"，背后调动了至少4个集团、7种技术方向的人在维护和迭代。这就是大型互联网公司的真实运作方式——你看到的只是一个搜索框，但它背后是一整条技术生产线。
8.3 电商全链路：从搜索到签收，每个环节的岗位分布
把视野从"搜索"扩大到"整个购物链路"，同样用第四层的粒度来映射：
链路一：商品被发现（搜索·推荐·广告）
| 工序 | 技术任务 | 代表岗位 | 集团 |
|---|---|---|---|
| 搜索 | Query理解+召回+排序 | 基于大模型的搜索算法研究与应用 | 淘天 |
| 推荐 | "猜你喜欢"的千人千面 | 基于大模型的推荐算法研究与应用 | 淘天 |
| 广告 | 商家竞价+AI优化投放 | 基于大模型的广告算法研究与应用 | 淘天 |
| 多模态搜索 | 跨国多语言搜索 | 多模态多语言搜索算法研究 | 阿里国际 |
| 搜索Agent | AI自己搜+比+推荐 | AI导购&智能推荐 | 淘天 |
| 实时导购 | 用户犹豫时主动引导 | 基于行为奖励与快慢脑协同的实时AI导购研究 | 淘天 |
| 搜索Infra | 支撑毫秒级响应的底层系统 | 面向AI搜索的Native引擎性能优化 | 阿里云 |
链路二：商品被理解（内容·多模态）
| 工序 | 技术任务 | 代表岗位 | 集团 |
|---|---|---|---|
| 图文理解 | AI看懂商品图和详情 | 多模态内容理解算法及应用 | 淘天 |
| 视频理解 | AI看懂商品视频和直播 | 跨模态理解与视频生成处理 | 淘天 |
| 商品生成 | AI自动生成商品图和视频 | 海外电商图文及短视频生成 | 阿里国际 |
| 3D商品 | 从几张照片生成3D模型 | 3D重建大模型 | 淘天 |
| 多模态传输 | 图片视频在网络上"秒加载" | 多模态传输 | 淘天 |
| 视频编解码 | 压缩视频但不损失画质 | 视频编解码 | 淘天 |
链路三：交易决策（定价·营销·权益）
| 工序 | 技术任务 | 代表岗位 | 集团 |
|---|---|---|---|
| 智能定价 | 商品该卖多少钱能最大化利润 | 国际智能定价和投资AI Agent | 阿里国际 |
| 优惠券发放 | AI判断给谁发券转化率最高 | 大模型驱动的用户理解&权益发放模型优化 | 淘天 |
| 营销推荐 | 双11/618的个性化会场 | 自营智能商业Agent | 淘天 |
| 比价系统 | 跨平台比价——我这个价有没有竞争力 | AI导购&智能推荐（课题：智能购物比价Agent） | 淘天 |
| 用户增长 | AI判断哪些人"可能成为新用户" | 大模型驱动的用户理解&权益发放模型优化 | 淘天 |
链路四：商品到达（供应链·物流）
| 工序 | 技术任务 | 代表岗位 | 集团 |
|---|---|---|---|
| 需求预测 | 预测印尼市场下周能卖多少件 | 全球零售经营AI Agent智能算法革新 | 阿里国际 |
| 库存优化 | 商品应该放在哪个仓、放多少 | 国际智能供应链与物流AI Agent | 阿里国际 |
| 物流调度 | 海运还是空运？怎么拼柜最省 | 国际智能供应链与物流AI Agent | 阿里国际 |
| 履约承诺 | "预计周五送达"——这个承诺怎么算 | 全球零售经营AI Agent智能算法革新 | 阿里国际 |
| 产业链Agent | 打通工厂→仓库→消费者 | 产业链Agentic AI与多模态世界模型算法专家 | 淘天 |
| 即时配送 | 外卖/闪购场景的30分钟送达 | 淘宝闪购C端Agent研究与实践 | 淘宝闪购 |
| 1688采购 | B2B采购的全链路Agent | 1688买家Agentic AI算法专家 | 淘天 |
链路五：售后服务（客服·安全）
| 工序 | 技术任务 | 代表岗位 | 集团 |
|---|---|---|---|
| 智能客服 | AI客服自动回答退换货问题 | 1688AI大模型应用算法专家（含买家/商家/平台客服） | 淘天 |
| 内容审核 | AI自动识别违规商品和内容 | 内容安全自进化智能体研究 | 控股集团 |
| 交易风控 | 识别刷单、欺诈交易 | 安全领域基础大模型构建与应用 | 控股集团 |
8.4 第二条生产线：千问大模型是怎么造出来的
电商是"用AI"的场景，而千问（Qwen）是"造AI"的场景。这条生产线的工序是：
┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐
│ 预训练 │ → │ 后训练 │ → │ 评估 │ → │ 部署 │ → │ 持续迭代 │
│ 从零学语言 │ │ 学会"对话" │ │ 打分+找问题│ │ 发布上线 │ │ 收集反馈 │
└──────────┘ └──────────┘ └──────────┘ └──────────┘ └──────────┘
| 工序 | 通俗描述 | 关键岗位 | 集团 |
|---|---|---|---|
| 预训练 | 让模型读完整个互联网的书。需要几千张GPU跑几个月。数据怎么洗、模型架构怎么设计、训练过程怎么保持稳定——全是问题。 | 千问Qwen基础大模型前沿技术研究 超大规模大模型训练Infra构建和研发 大规模模型训练的调度与框架协同优化 |
Token Foundry 控股集团 阿里云 |
| 后训练 | 模型已经"博学"但不"听话"。用SFT（看正确答案模仿）+ RLHF（人来打分模型学）+ DPO（直接偏好对比）让它学会"好好回答问题"。 | 千问Qwen基础大模型前沿技术研究 统一多模态大模型后训练算法研究 大模型推理训练前沿技术研究 |
Token Foundry 千问C端 千问C端 |
| 专项加强 | 通用模型→加强特定能力。比如专门训练"写代码"的能力（Agentic Coding后训练），或"看懂医学影像"的能力（医疗AI基础大模型）。 | Agentic Coding后训练技术研究 医疗AI基础大模型技术研究 代码场景的Agentic RL与数据合成 |
Token Foundry 控股集团 控股集团 |
| 评估 | 模型到底有多强？需要一个全面的"考试系统"。能回答多少类问题？会不会说胡话？和GPT-4比怎么样？ | 面向下一代AGI范式的多模态大模型综合评测 AI Coding数据分析与评测 |
Token Foundry 控股集团 |
| 部署 | 把模型发布出去，让用户能用。手机端（端侧推理）、网页端、API接口——不同场景需要不同的部署方案。 | 大模型推理优化 面向大模型推理的通用后端运行时系统 大模型推理KV Cache系统：从存储到软硬协同 |
阿里云 阿里云 阿里云 |
| 持续迭代 | 从用户反馈中收集数据，继续训练下一版。形成"数据回流→训练→评测→部署"的闭环。 | 千问Qwen训练/推理Infra前沿技术研究 大模型新范式与前沿技术研究 |
Token Foundry Token Foundry |
8.5 第三条生产线：阿里云——把AI当成"水电"来卖
阿里云的角色是"中间商赚差价"——但它赚的不是差价，而是把AI能力包装成服务，让没有技术能力的企业也能用上AI。
┌──────────────────────────────────────────────────────────────┐
│ 阿里云 MaaS 平台 │
│ │
│ "你不用买GPU、不用懂训练、不用管部署——调我们的API就行" │
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 算力层 │ │ 模型层 │ │ 平台层 │ │ 应用层 │ │
│ │ GPU集群 │ │ 千问API │ │ 训练平台 │ │ AI搜索 │ │
│ │ 网络 │ │ 第三方模型│ │ 推理平台 │ │ AI客服 │ │
│ │ 存储 │ │ 模型市场 │ │ Agent平台 │ │ AI视频 │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
└──────────────────────────────────────────────────────────────┘
| 层级 | 做什么 | 关键岗位 |
|---|---|---|
| 算力层 | GPU集群的管理、网络的优化、存储系统的搭建。几千张GPU怎么分配？网络断了怎么恢复？一个文件系统里存上万亿个文件怎么不崩？ | AI Infra高性能通信与传输系统 AI训练推理场景下万亿文件规模高性能并行文件存储 基于AI-native的智算稳定性研发创新 |
| 模型层 | 把千问（以及第三方模型）包装成API。客户调一下接口就能用大模型的能力。这层还要做模型"精调"——客户拿自己的数据在千问上做微调。 | ATH MaaS大模型&智能体前沿算法研究 MaaS的高效资源调度与系统设计 异构算力下的大模型后训练加速与效果调优 |
| 平台层 | 做一套"拖拽式"的AI开发平台（PAI）。客户不懂代码也能在上面训练自己的模型。Agent平台让客户能构建和部署自己的Agent。 | Agentic RL训练基础设施的关键技术研究（最终沉淀为PAI产品能力） 构建面向AI Agent的下一代调度与计算引擎 Agent全生命周期基建能力建设与应用 |
| 应用层 | 在MaaS之上直接提供AI应用：AI搜索、AI客服、AI视频生成等。 | MaaS多模态AI搜索算法研究 MaaS Agentic视觉生成算法研究 |
8.6 支撑线：芯片和安全
芯片——"所有AI都跑在芯片上，我们不能只靠英伟达"
阿里通过平头哥做自研AI芯片（真武系列），同时在控股集团层面研究RISC-V开源架构。这条线的工序是：
| 工序 | 做什么 | 关键岗位 | 集团 |
|---|---|---|---|
| 芯片架构设计 | 设计专门跑AI的芯片应该长什么样 | 面向大模型的AI SoC芯片技术研究 产品可搭载的高能效AI芯片创新架构 |
控股集团 |
| 软件栈 | 芯片做出来了，得有人写"驱动"——让PyTorch等框架能在阿里芯片上跑 | 面向真武AI芯片的深度学习编译与大模型推理引擎优化 AI开源框架在真武AI芯片上的性能分析与深度优化 |
平头哥 |
| RISC-V生态 | 推动开源CPU架构在AI场景的落地 | AI驱动的RISC-V高性能编译优化方法 RISC-V矩阵扩展架构研究与实现 |
控股集团 |
| AI for Chip | 用AI反过来加速芯片设计 | 面向AI芯片AI Agent软件研发提效 | 控股集团 |
安全——"AI强了，攻击手段也强了"
| 工序 | 做什么 | 关键岗位 | 集团 |
|---|---|---|---|
| AI做安全 | 用Agent自动找漏洞、自动防御 | 面向真实安全攻防场景的自主智能体（Security AI Agent） | 阿里云 |
| 保护AI | 大模型本身会不会被攻击？怎么让它不说出危险内容？ | 面向AGI时代的大模型全链路安全对齐 视觉生成模型的内生安全对齐与伦理约束 |
控股集团/阿里云 |
| AI安全的评估 | Agent到底安不安全？怎么测？ | 云安全大模型智能体对抗评测与能力边界定义 智能体运行时安全评测与防御关键技术研究 |
阿里云/控股集团 |
8.7 全景工序图
把上面所有内容压缩到一张图里——这就是阿里AI岗位的"生产线全景"：
┌──────────────────────────────────────────────────────────────┐
│ 阿里巴巴 AI 生产线 │
│ │
│ 上游：造AI 下游：用AI │
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────────────────────┐ │
│ │ 芯片 │ │ 千问模型 │ │ 电商（淘宝/天猫） │ │
│ │ 平头哥 │ │ Token │ │ │ │
│ │ 控股集团 │ │ Foundry │ │ 搜索→推荐→广告→内容→定价 │ │
│ │ │ │ │ │ →供应链→客服→安全 │ │
│ │ 工序： │ │ 工序： │ │ │ │
│ │ 架构设计 │ │ 预训练 │ │ 每个工序都需要： │ │
│ │ →软件栈 │ │ →后训练 │ │ LLM + Agent + 多模态 │ │
│ │ →编译 │ │ →评估 │ │ + RL + Infra 的组合 │ │
│ │ →部署 │ │ →部署 │ │ │ │
│ └────┬────┘ └────┬────┘ └────────────┬────────────┘ │
│ │ │ │ │
│ └─────────────┼─────────────────────┘ │
│ │ │
│ ┌──────▼──────┐ │
│ │ 阿里云 │ ← 中间层：把芯片+模型包装成服务卖 │
│ │ MaaS平台 │ │
│ │ │ │
│ │ 算力→模型 │ │
│ │ →平台→应用 │ │
│ └─────────────┘ │
│ │
│ 横切面（所有层都需要）： │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ Agent │ │ Infra │ │ 多模态 │ │ RL │ │
│ │ 89个岗 │ │ 113个岗 │ │ 98个岗 │ │ 96个岗 │ │
│ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
└──────────────────────────────────────────────────────────────┘
怎么看这张图：
- 纵向看：从芯片（最底层硬件）→ 千问模型（中间层智能）→ 电商应用（最上层业务），是一条完整的价值传递链。你在哪个层级工作，决定了你离"物理世界"近还是离"用户"近。
- 横向看：Agent、Infra、多模态、RL这四个方向横跨所有层级——芯片层需要Agent（AI for Chip），模型层需要Infra（训练系统），应用层需要Agent+多模态（导购Agent）。这就是为什么这四个方向加起来覆盖了绝大多数岗位。
- 作为一个求职者：你不需要通晓整条生产线。但你需要知道你投的那个岗位在生产线上的哪个位置，上下游是谁，你的产出会被谁使用。面试时能说清楚这一点，就已经超过了大部分候选人。
报告版本：v2 | 生成时间：2026-07-14 | 数据来源：campus-talent.alibaba.com
报告版本：v2 | 生成时间：2026-07-14 | 数据来源：campus-talent.alibaba.com
浙公网安备 33010602011771号