杭州食堂厨工
食堂厨工是负责在食堂或餐厅的厨房里准备食物和烹饪菜肴的员工。他们负责食材的清洁、加工和烹饪，确保食物的质量和口感。食堂厨工需要遵循食谱和工作流程，严格控制食物的卫生和安全标准。除了烹饪，他们还可能负责食材的采购、库存管理和厨房设备的清洁和维护。食堂厨工需要具备食品安全和卫生知识，对食材的质量有一定的认知，熟悉各种烹饪技巧和工具的使用。责任心强、团队合作能力和高效的工作态度都是成为一名优秀食堂厨工的重要素质。
薪酬概览
平均月薪
¥5800
中位数 ¥5500 ｜ 区间 ¥4700 - ¥6900
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
100% 人群薪酬落在 0-8k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
5月新增岗位
15
对比上月：岗位新增3
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 10 | 66.7% |
| 不限经验 | 5 | 33.3% |
热招职位
职位说明：
美味大厨从餐厅员工入职开始拥有完整的学习发展路径。将会学习根据大厨业务情形制定的岗位、技能以及与之相对应的领导力学习，在经历18周的美味大厨学习和相关的品质及品鉴会鉴定后，经过餐厅总经理，营运顾问，营运经理确认的晋升选择，有机会成为一名黑带大厨。除需遵守麦当劳政策和程序之外，其主要职责包括但不限于下列各项：
100%执行产品美味的标准流程并匠心制作掌握品鉴产品的关键并专业讲述好美味关键与顾客成为朋友互动并收集回馈
职能标准：
熟练掌握餐厅生产区岗位技能，始终坚持执行程序标准热爱美味文化，乐于分享，乐于和顾客互动具备一定的呈现表达能力良好的仪容仪表，形象气质佳
福利待遇：
享有五险一金（全职）、百万医疗险（全职）、雇主责任险、带薪年假（全职）、法定节假日三薪，主理品鉴会额外激励，周六免费餐饮、尊享餐饮折扣。
（福利待遇细则,详见公司相关规定）
专业背景与经验
1、统招本科及以上学历，3年以上互联网产品经验。有电商搜索、推荐策略或前台导购产品相关经验者优先。
2、具备优秀的数据分析能力，熟练使用SQL、Excel等工具，拥有通过数据敏锐发现问题、定位瓶颈并驱动产品闭环迭代的能力。
3、具备AI原生思维，能熟练运用AI工具（如vibe coding、OpenClaw等）提升产品设计与分析效率。
核心能力素质
用户同理心：对用户体验有极致追求，能精准洞察用户视角下的搜索与购物痛点。
逻辑思维：具备严密的逻辑分析能力，能够从容处理复杂的排序规则与流量分配逻辑。
跨部门协作：具备极强的沟通推动力与项目管理能力，能有效协同设计、前端、算法、后端等多方团队，确保项目高质量按时上线。
加分项
具备AI能力在电商场景的实际落地经验
1.本科及以上学历，2年以上互联网产品经理经验，有C端增长、导购、营销工具等经验，电商行业从业背景者优先（如社交电商、本地生活、平台型电商）。
2.了解淘系导购产品体系，能够整合平台产品资源完成链路搭建
3. 具备用户产品视角和商业视角，能够结合产业带和相关业务特性进行产品迭
4.跨团队协同能力强，乐观皮实，拥抱变化，有要性和创业精神，富有正能量
1.本科及以上,3年以上电商导购产品经验,服饰或快时尚背景优先；
2.深度理解用户选购行为与决策链路,能通过用户研究和数据洞察驱动产品迭代；
3.熟悉电商平台运营机制和商家经营工具,有0到1搭建导购产品或营销工具经验；
4.精通数据分析,能独立运用SQL/BI工具完成归因分析,以数据驱动决策；
5.有AI产品落地经验,熟悉智能Agent或推荐算法,能将AI能力与导购场景结合；
6.擅长跨团队协同,能高效推进设计、研发、运营、算法等多方合作,结果导向。
门店经理2000-2999元/月
要求有管理经验，在杭州二手房市场有1年以上工作阅历，五官端正，谈吐流利，有领导风范，沟通能力强。大专以上学历，男女不限，25岁以上40岁一下，基本工资加奖金。
1、本科及以上学历，市场营销、电子商务、个护美妆等相关专业优先。
2、至少3年以上电商平台运营或招商经验，熟悉商家生态及平台规则。
3、有快消、食品、美妆等垂直行业运营经验者优先，具备成功招商或商品运营项目经历。
4、熟练基础AI分析工具，具备数据驱动决策意识，能独立输出分析报告并提出策略建议。
5、沟通协调能力强，具备跨部门协作经验，具备一定抗压能力，推动业务结果达成。
1. 负责到店团购业务的C端产品规划与设计，聚焦用户“找店/优惠-决策-交易”全链路体验，通过产品创新与精细化运营，提升用户决策效率与交易规模，助力业务持续增长
2. 洞察用户到店团购消费场景与决策心理，设计并持续优化店/品详情页、推荐流等核心动线，突出店铺特色与团购价值，提升转化率
3. 协同内容团队，构建评价、推荐菜、笔记等内容体系，强化店铺种草能力，帮助用户高效决策，提升平台内容竞争力
1. 负责外卖餐饮核心导购链路的整体产品规划与落地，深度把控店-品-商详等大流量场域的流转机制，咬合公司经营方向，对访购效率/用户体验负责；
2. 带领4-5人的产品团队，负责团队的目标拆解、人才培养与日常管理，打造一支高效、具备创新能力的战斗型产品团队；
3. 探索AI技术在导购场景下的创新应用，通过技术创新驱动业务增长，打造行业创新的智能化导购体验；
4. 深度洞察餐饮商家与C端用户的需求，协同B端产运、算法、研发、设计等多部门资源，推动复杂产品项目的高质量迭代与落地；
5. 建立科学的数据分析与实验体系，通过A/B测试、用户调研等手段持续挖掘业务痛点与增长点，并制定针对性的产品解决方案
1、对 AI 技术底层原理有深入理解，持续跟进 AI 新技术迭代动态；至少具备一个 ToC 场景 AI 产品的完整落地经验（工作或个人项目均可），清晰把握技术能力边界，能够结合具体业务场景提出切实可行的解决方案。
2、熟悉主流 AI Agent 架构在策略场景中的应用逻辑，具备独立完成 Agent 搭建的能力；能与算法团队协同定义模型优化路径与评估指标体系。
3、拥有敏锐的用户洞察力与高效的提炼抽象能力，善于完成「用户需求 → AI 方案」的精准转译；对新鲜事物充满好奇心，具备强烈责任心、出色的沟通表达能力与团队协作精神。
4、具备从零搭建产品或核心模块的完整实践经验，动手能力强，能够独立驱动方案设计至落地全过程；有代表性成果或实践项目者优先考虑。
1. 管理交付中心，确保交付中心店面的高效，有序，安全运营；
2. 管理交付业务，包括但不限于，客户交付管理，车辆PDI，仓储管理及整车物流事务协调，确保及时高质量的车辆交付，达成核心业务目标，保持交付中心合理的库存水平；
3. 管理交付中心的第三方运作，确保第三方服务标准符合集团要求；
4. 管理和处理现场顾客客诉升级，确保所有现场用户客诉升级可以得到妥善解决；
5. 管理当地交付资源，合理配置，提升资源利用率，包括但不限于车辆资源，场地资源；
6. 管理当地交付团队，有效辅导和激励团队，共同达成业务目标；
7. 根据业务发展需要，完成管理层指定的其他工作。
职位要求
1. 5年以上工作经验，2年以上交付门店运营和团队管理经验；
2. 良好的沟通协调能力；
3. 丰富的客户服务经验；
4. 结果导向，能积极主动解决问题，具备良好的抗压能力，有创造力，勇于承担；
5. 具备较强的项目管理和时间管理能力；
6. 熟练操作日常工作管理系统，具有较强的书写及沟通能力，熟练使用办公软件。
1、确保公司营运标准高效在门店落地，提升销售与毛利；
2、理解商圈和用户，据此对门店品类和商品经营方向有清晰的认知，通过品类/商品经营、拉新、营销、门店布局、商品订货、陈列、服务，售后，库存管控等；
3、管控店内损耗、提升门店人效，优化可控费用（如物料，水电煤等营运费用），达成主要考核KPI；
4、对内各协同部门的日常高效交互，达成共识，高效执行总部和区域新项目落地；
5、对外关系的建立维护，如相关政府职能部门（市场管理、消协等）、物业关系，打造协作融洽的合作伙伴；
业务技术-【急聘】大语言模型（LLM）算法工程师-AI软件研发方向
1. 专业背景： 计算机、人工智能、软件工程等相关专业硕士及以上学历，3年以上经验；精通Python及至少一种深度学习框架（如PyTorch）。
2. 模型经验： 具备扎实的NLP基础和LLM（如GPT/Llama）项目经验，熟悉预训练、SFT、RLHF等关键技术，有实际的大模型训练和优化经验。
3. 软件工程思维（重要加分项）： 理解软件研发全流程，熟悉代码分析、系统架构等；有将AI技术应用于软件工程（AI for SE）领域，或具备知识图谱、知识工程背景者优先。
4. 综合素质： 具备出色的问题拆解和解决能力，强自驱力与团队协作精神，对用AI解决复杂研发问题充满热情。
数据技术及产品部-数据处理工程师-RL训练数据方向（Work）
我们正在搭建 Work（AI 协同办公）方向的 RL/RFT 训练数据体系。这个岗位的核心职责是从线上回流数据中挖掘高价值样本：清洗、筛选、合成、发现 bad case，把海量线上数据变成模型训练和数据标注真正能用的东西。
职位描述
1. 线上数据回流与清洗
对接模型线上 rollout 产生的原始数据（轨迹、日志、用户反馈、执行结果等），设计清洗 pipeline，去重、去噪、过滤无效样本，把脏数据变成结构化可用的样本集。
2. 高价值数据挖掘
从海量线上数据中挖掘对模型训练有价值的样本：高难度任务、罕见场景、模型易错 case、用户真实需求分布。建立挖掘策略（规则 + 模型 + LLM 多信号融合），提升高价值样本的召回率。
3. Bad Case 发现与归因
系统性发现 bad case：模型执行失败、输出低质量、轨迹异常、用户投诉等。对 bad case 做根因分类（模型能力问题 / 数据分布问题 / 任务定义问题 / 环境依赖问题），输出结构化报告驱动数据补充和评测修正。
4. 数据合成与增强
设计数据合成策略：基于 LLM 对已有样本做变体生成、难度扩展、场景泛化，补充模型训练数据中的稀缺类型；验证合成数据质量，确保合成样本可直接用于训练。
5. LLM 驱动的精细化筛选
用 LLM-as-judge、质量评分模型等方式对海量数据做精筛，识别"表面合理但实际错误"的样本，把数据质量从"能看"升级到"能训"。设计筛选阈值与采样策略，平衡数据规模与质量。
6. 数据标注前置处理
为下游标注团队准备可标注的数据包：去重、预分类、标注难度分级、边界 case 标记，降低标注成本、提升标注效率。定期输出数据分布报告，指导标注优先级。
7. 数据 Pipeline 与基础设施
搭建端到端的数据处理 pipeline：采集 → 清洗 → 挖掘 → 合成 → 筛选 → 输出。保证数据可追溯（血缘管理）、可复现（版本管理）、可观测（关键指标监控）。
8. 协同算法与标注团队
与模型训练团队对齐"下一轮需要什么数据"，与标注团队对齐"什么样的数据值得标"，把数据挖掘变成模型能力提升的持续供给。