薪酬概览
平均月薪
¥15100
中位数 ¥0 ｜ 区间 ¥12300 - ¥18000
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
57.1% 人群薪酬落在 15-30k
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
7月新增岗位
3
对比上月：岗位减少2
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 |
|---|---|---|
| 1-3年 | 1 | 33.3% |
| 3-5年 | 2 | 66.7% |
热招职位
1. 负责视频处理算法开发和相关硬件的Pre/Post-silicon验证；
2. 负责计算机视觉算法性能提升；
3. 负责CV产品化和相关应用场景的对接；
1、承担SoC系统级FPGA和模块级FPGA验证环境搭建
2、搭建FPGA系统的仿真环境，完成相应的测试
3、完成ASIC到FPGA的代码转换，验证和集成工作
4、协助IP设计/CV验证，以及系统软件开发和测试
1.本科及以上学历，3年以上互联网商业分析、经营分析相关工作经验，计算机，统计学、数学、经济学专业优先；
2.具备良好的SQL和数科分析能力，对AB实验，因果推断熟悉，有复杂实验设计经验的优先；
3. 有用户视角，能够洞察商业本质，挖掘机会点，并能够协调整合资源，推动各方拿到结果；
4. 好奇心强，主动性强，能快速学习，能够独立思考；
淘宝平台事业部-大模型算法应用工程师-Service Agent
1. 本科及以上学历，计算机、人工智能、数学等相关专业，1年以上大模型相关落地经验；
2. 精通 Python，并至少熟练掌握一门变成语言（Java/Go/C++），具备扎实的算法与数据结构基础，具备高质量的代码交付习惯与系统架构视野；
3. 熟悉LangChain、LLamaIndex、AutoGen 等主流 Agent 框架设计原理并有实际项目经验；熟练掌握 Prompt Engineering、RAG、Function Calling、CoT 等核心技术；
4. 具备强烈的问题驱动意识与极强的技术敏感度，善于利用 AI 新技术解决复杂的商业痛点； 持续关注 AI 前沿动态（如Gemini、OpenAI、Claude等），敢于在业务中尝试新范式。
【加分项】
1. Agent实战++，有复杂 Multi-Agent 协作或大型智能客服系统核心研发经验者优先；
2. 系统能力++，具备大规模数据处理与清洗经验优先，大模型应用性能优化实战经验；
3. 模型训练++，有过LoRA/SFT等微调实战，或参与过RLHF/DPO后训练流程者优先。
1. 本科及以上学历，2年及以上开发工作经验，熟练使用Python/Java等编程语言，熟练使用Spring、Mybatis、Springboot、JVM、多线程、分布式服务、缓存、消息队列等技术；
2. 有一定的AI Agent、RAG、LLM应用开发项目经验，熟悉Agent基础框架实现原理，了解高可用、高扩展性的大模型/Agent工程架构；
3. 了解AI Coding，有一定的vibe coding、sdd等使用经验；
4. 具备良好的抽象设计能力，思路清晰，善于思考，能独立分析和解决问题，责任心强，具备良好的团队合作精神和承受压力的能力；
5. 有良好的项目规划和决策能力，善于捕捉业务需求、架构设计中存在的问题，并给出有效的解决措施和方法。
1. 本科及以上学历，具备计算机科学、软件工程、人工智能或相关专业背景；
2. 3年以上软件开发、1年以上AI Agent系统研发经验，精通Python/JAVA主流编程语言；
3. 深入掌握Agent架构核心组件设计原理和调优方案，包含Prompt Engineering，Function Calling，RAG，长短期记忆等；
4. 具备批判性思维，能将复杂问题转化为简洁、高效的实现方案，热爱技术，拥抱开源；
5. 具备以下任一经验者优先：
○ 参与过企业级Agent平台设计和实现；
○ 有Prompt调优、RAG系统调优、上下文压缩等优化经验；
○ 有多种AI辅助编程工具经验，能够生成全栈代码；
○ 有电商、客服等垂直领域的Agent应用落地经验优先。
1. 核心前端能力：精通 React 及生态（Hooks、组件化、性能优化、工程化），有复杂 SPA 架构与落地经验。深入理解前端渲染与性能机制（Virtual DOM、Diff、渲染流程 等），具备定位与解决性能问题的能力。熟悉实时交互与流式体验实现，掌握 SSE/WebSocket 等实时通信方案（包含断线重连、状态同步、流式渲染等）；
2. AI 前端专项能力：有 Generative UI（生成式 UI） 实战经验：能基于 JSON Schema/DSL 动态渲染组件，具备组件协议设计与扩展能力。熟悉前端 AI 开发框架/SDK，如 LangChain.js、Vercel AI SDK 等，能完成从工具编排到交互体验的完整闭环。熟练使用 AI 辅助研发工具（如 Codex / OpenCode / Claude Code 等），能将其有效应用到日常开发提效与质量提升；
3. 产品与体验思维：有强同理心与创新意识，能从用户体验角度设计 AI 交互：不仅能“把 API 接起来”，还能回答“AI 应该怎么呈现、怎么被理解、怎么被信任”。能把不确定的模型输出转化为可控体验：反馈机制、解释性展示、兜底策略与可迭代方案。
加分项（Nice to have）
有 Midway / Next 等全栈框架经验，能推动端到端问题闭环；有 C 端 AI 产品交互/前端工程建设经验（如智能问答、AI 助手、对话式搜索等场景）；掌握一门以上后端语言（Node/Python/Java），具备全栈思维与基础服务能力。
【团队介绍】
阿里巴巴中间件团队是集团基础技术的核心支撑力量，负责消息、服务发现与软负载、分布式协调、任务调度）、配置管理等核心中间件产品在集团内部的稳定性保障与运维体系建设。
这些中间件承载了阿里集团几乎所有在线业务的流量调度、服务通信与数据流转，覆盖电商、物流、本地生活、云计算、大文娱等 BU，日均处理万亿级消息、百万级服务节点调度，是每年双 11 大促的底层生命线。
团队当前重点方向：
1、稳定性工程 — 从准入规范、变更管控到容灾演练的全链路保障体系，目标全年中间件可用性
99.99%；
2、AI 智能运维（Agentic SRE） — 将运维经验沉淀为 Agent Skills，通过 LLM + MCP 实现告警自愈、风险治理、架构演进，通过 AI 提升中间件产品的稳定性
我们相信：下一代 SRE 不只是运维工程师，更是用 AI 重新定义运维的人。 如果你既有系统功底，又对用技术杠杆 10x 提效充满热情，这里是你的主场。
【职责描述】
1. 负责阿里巴巴集团核心中间件（软负载 / 消息 / ZooKeeper / 配置中心等）的稳定性保障，包括故障定位、性能调优、容量规划与成本治理；
2. 主导中间件重大风险识别、应急预案设计与容灾演练，确保分钟级恢复能力；
3. 建设中间件 + AI 智能运维体系（Agent / Skills / MCP），实现 10x 效率提升，将人工经验沉淀为可复用的自动化能力；
4. 面向业务需求提供中间件选型建议与架构方案，联动产品和开发推动落地；
5. 参与大规模集群建站、大促备容及架构升级，支撑集团业务持续增长。
数据技术及产品部-AI 数据研发工程师-数据公共层建设/数据语义层建设
1、主导面向Agent的新型数据语义层架构设计与落地，推动数据资产从数据表向智能体可理解、可调用、可推理的消费模式演进；
2、负责端到端数据建模设计与开发交付，基于流批一体架构（Flink + Spark + Paimon）实现业务模型的统一构建与服务；
3、负责数据质量治理与链路稳定性保障，建立覆盖全链路的监控告警、血缘追踪，确保关键数据任务满足SLA要求；
1.负责阿里巴巴公益产品的全栈开发工作；
2.通过工具，平台等方式，来解决复杂业务系统需求和产品交付，提高工作效率，提升系统的整体用户体验；
3.有良好的洞察能力，能够通过新技术、业界优秀产品的分析调研来提升我们的产品体验。
1、负责核心业务系统的架构设计与开发，主导技术方案评审，确保系统的高可用、高性能和高扩展性，支撑业务快速增长。
2、参与业务需求分析与拆解，将复杂业务场景转化为可落地的技术方案，推动项目按时高质量交付，持续提升研发效率。
3、负责系统性能优化与稳定性建设，排查线上疑难问题，持续提升系统吞吐量和响应效率，保障核心链路SLA达标。
4、参与技术选型与架构演进规划，推动微服务化、容器化等技术改造，提升系统可维护性和可扩展性，降低技术债务。
5、指导初级工程师成长，参与代码评审和技术分享，推动团队工程规范和最佳实践落地，营造良好技术氛围。
1. 负责公开网络数据采集链路的合规治理体系建设，覆盖数据源准入、采集策略、采集留痕、数据处理、入库、训练集构建和后续排除机制。
2. 建设爬虫数据证据链与数据血缘系统，记录 URL、域名、获取时间、来源类型、访问决策依据、内容哈希、处理流程、风险标签、数据集版本、模型训练版本和审计日志。
3. 建立网络采集合规控制机制，包括机器可读访问限制、站点访问策略、频率控制、来源留痕、异常监控、争议处理和数据下架流程。
4. 与法务团队协作，将版权、TDM opt-out、站点条款、授权边界、权利人投诉、数据删除请求等要求转化为系统规则、审批流程和可追溯记录。
5. 与安全、隐私和合规团队协作，建立爬虫数据风险管理机制，包括敏感数据识别、PII 过滤、来源风险分级、黑白名单、人工复核、访问控制和异常告警。
6. 牵引公开网络数据的准入和分级管理，对不同类型站点、内容类别、数据用途、地域风险和权利状态建立统一评估标准。
7. 建设面向欧盟监管检查和客户尽调的技术支撑能力，包括训练数据来源摘要、版权政策执行记录、采集留痕、风险处置记录和审计报表。
8. 推动爬虫平台、数据平台、模型训练平台、法务、安全团队之间的系统打通，确保数据从采集到训练使用全链路可解释、可追溯、可处置。
9. 支持风险事件复盘和外部问询，能够快速回答“数据从哪里来、为什么可以采、是否进入训练集、如何排除或删除”等问题。