杭州机电小工
机电小工是在机电设备维护和维修领域工作的技术人员。他们负责安装、修理和维护各种机电设备，如电动机、发电机、空调系统、自动化设备等。机电小工需要具备一定的电气和机械知识，能够理解和解决设备故障，并进行必要的维修和保养工作。他们通常需要熟悉相关的安全规范和操作流程，以确保设备的正常运行并保障工作场所的安全。此外，他们还可能需要与其他工程师和技术人员合作，进行设备维护和改进工作。机电小工通常需要具备灵活的动手能力和问题解决能力，能够在不同的工作环境和情况下进行工作。
薪酬概览
平均月薪
¥9400
中位数 ¥0 ｜ 区间 ¥7200 - ¥11700
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
50% 人群薪酬落在 8-15k
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
8月新增岗位
1
对比上月：岗位减少1
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 |
|---|---|---|
| 3-5年 | 1 | 100% |
热招职位
1、包装设计与开发 ：包括材料包装设计、自动线体包装设计验证、体系流程搭建、包装设计 / 成本延申至供应链整体优化视角等不同层级的能力
2、包装方案设计与开发 ：能根据不同零部件的特点，设计相应的包装方案，如零部件的包装图纸绘制、精密 / 高危零部件的包装方案设计，ESD防护等
3、成本控制与优化 ：从按既定 BOM 清单领用包装材料到从商业模式创新角度降低包装成本，具备不同层次的成本控制能力
4、技术文件与标准体系建设 ：包括整理包装图纸、编制包装作业指导书、搭建包装设计标准体系、制定企业级包装战略规划等
5、供应链协同与供应商管理 ：从对接仓库人员到建立全球包装供应商网络，具备不同阶段的供应链协同与供应商管理能力
1、每日巡检责任区域内楼栋，关注现场品质环境；
2、负责接待顾客来访，受理责任区域内客户意见、建议及时落实整改与回复；
3、处理客户投诉，记录并跟进处理结果，维护业主关系；
4、负责区域住户物业管理费的催缴；
5、定期按计划执行客户访谈及满意度调查；
6、跟进区域内客户装修进展，及时向物业服务中心反映需要解决的问题；
7、协助开展社区文化活动。
1、负责城市整体仓储和分拣业务运营和管理，共享冻库的管理，商品收货、存储、拣选和分拣等工作，保障履约的稳定；
2、负责推进仓储和分拣运营标准落地，提升仓储现场标准化水平；
3、负责仓储和分拣运营质量提升，改善过程品质防护，降低商品损失和品质客诉；
4、负责仓储和分拣效率优化，提升业务履约能力；
5、负责城市仓储组织能力建设。
1、追溯方案设计与数据管理：结合IATF
16949、VDA等标准设计产品追溯方案；确保关键制造数据（SN、工序、参数、质检）完整可追溯，优化数据存储与查询效率
2、数据分析与可视化：参与异常追溯分析，提供数据支持；利用BI等工具实现MES数据可视化，提升质量管理水平
3、设备对接与联网实施：协调PLC、SCADA、Kepware等系统与MES的数据采集与通讯；参与设备联网方案制定，确保生产数据实时采集与上传，优化传输稳定性
4、需求受理与系统配置：与生产、IE、工艺、设备、质量等部门对接，收集分析MES业务需求；负责项目导入阶段MES系统功能配置，包括工艺流程、工序控制、物料追踪等
5、系统实现与测试培训：配合供应商和开发团队完成接口开发、调试及上线验证；协同开发团队推动业务需求系统实现，负责UAT测试及用户培训
1. 根据业务领域特点开展项目质量策划；
2. 项目过程质量控制，质量监控，质量改进，引导项目流程过点；
3. 质量管理体系建设、优化和维护；
4. 持续研究质量工程方法，在项目推荐合适的质量工具解决业务问题；
5. 制定质量氛围建设方案并实施落地；
1、根据生产计划，招聘/培养/组织产线人员，完成产能爬坡及生产计划的达成。
2、做好车间的质量管理，带领全员质量管理，改善生产流程/效率管理，提高精益水平，降低制造成本。
3、培训员工通用技能/岗位技能，做好团队的能力建设和梯队建设，提高团队凝聚力同时，保证团队安全和纪律，带领团队达成目标。
4、做好车间基本的5S/可视化/拉动生产等基本管理，保证记录一致，降低客户审核中对于生产执行类问题。
5、完成领导交办的其他工作任务。
1、项目转产支持： 协助工艺工程师完成新项目转产工作，根据交付清单与AME工程师进行具体事务对接与信息传递，保障量产顺利落地。
2、现场工艺问题处理： 快速响应生产现场与工艺相关的制造问题，进行初步分析和排查，在工程师指导下或按规程执行解决方案，确保生产顺畅。
3、工艺执行与监控： 负责生产现场工艺参数的日常点检、记录与监控，确保工艺稳定执行。
4、工艺文件维护： 根据工程师要求或变更通知，及时、准确地更新和维护量产工艺文件，包括但不限于作业指导书（WI）、点检表、防错清单、简单工序的CP（控制计划）等。
1. 全面负责CPU IP/芯片端到端质量管理工作，以客户需求为导向，制定E2E质量要求和质量计划，并确保实施符合要求；
2. 负责产品生命周期阶段的质量管控，并持续优化及完善流程或方法；
3. 负责建设与本领域相匹配的E2E流程和管理体系，并持续识别改进点，负责闭环改进；
4. 推动CPU IP/芯片各领域开发流程标准化，制定CPU IP/芯片研发质量管理方案，并有计划的推进、实施；
5. 组织并熟练使用各种质量工具和方法对质量问题进行根因分析、处理、改进、预防措施的制定和执行落地；
6. 提升全员质量意识和质量文化，持续提升组织的质量改进能力。
1. 构建和持续优化公司IPD流程体系和质量管理体系(含流程架构、流程文件、质量管理系统等)
2. 持续跟踪和分析IPD流程实施情况(包括IPD流程导入及落地评估、体系成熟度评估、符合性及有效性评估、项目执行改进等)，识别流程体系的瓶颈和改进点，提出有效的流程优化方案，并推动实施，提高流程适用性、效率和质量
3. 持续改进公司的质量管理体系，设计各类E2E过程及结果质量的数据度量统计模型，建立度量分析体系，根据分析结果进行持续改进
4. 负责组织和协调完成公司内外审等多种审核认证，推进纠正和预防措施的落地
5. 负责开展流程体系、质量活动、质量工具及方法等培训，持续提升组织的质量文化、质量意识、运作效率及质量运营能力
6. 负责规划和建设数字化运营体系，打造数字化运营平台，提供数字化运营能力，并使用数字化运营平台、工具、方法，开展问题识别、分析，提高发现问题、分析问题、解决问题的能力和效率
1. AI资源站点BI建设：负责站点的BI体系搭建与持续迭代，承接业务方与决策层的数据消费诉求，输出可视化看板与专题分析，支撑资源全景可观测、可决策。
2. 跨模块数据核对与一致性保障：建立站点内各模块（如资源池、分配、消耗、成本、效能等）的数据交叉核对机制，识别口径不一致、数据漂移、链路断点等问题，推动上下游修复并沉淀核对规则。
3. 模块内容设计与指标体系搭建：负责站点各模块的内容规划与指标设计，使每个模块"有信息密度、有决策抓手"，避免堆砌指标。
4. 底层数据保障与质量治理：把控站点底层数据链路，建立数据质量评估标准与监控告警，治理上游数据源的口径、时效、完整性问题，输出数据资产文档与血缘关系，保障站点数据"可信、可追溯、可解释"。
5. 跨团队协作与需求衔接：与业务方、数据开发、算法团队协同，承接业务方的分析诉求，将模糊需求转化为清晰的指标定义与数据产品方案，推动需求落地闭环。
1、编制项目物业管理方案，拟定管理目标和服务标准；
2、根据实际情况，编制客服、工程、保洁、绿化等服务标准和规章制度并监督落实；
3、负责项目租户的日常业务管理，监督团队成员及时处理并进行结果反馈、回访；
4、协调内部工程、客服、保洁、绿化等板块工作，形成联动机制，快速反应并处理各种业务和突发事件；
5、负责有关物业服务费用的核对、发单、催收，接待并处理租户日常投诉，定期组织租户满意度调查，不断提高服务品质；
6、负责对外的联络事宜，做好内部的协调工作；
7、其它临时性工作。
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。