AI 与技术岗位九个核心职位

要解决的核心问题

面向 C 端 AI 产品建立稳定、高效的工程体系，统筹版本迭代、业务落地与团队交付，让模型能力持续转化为真实用户体验。

主要职责

• 规划 C 端 AI 工程的技术路线、架构演进和版本节奏。
• 带领工程团队完成需求拆解、技术评审、开发、测试和上线交付。
• 与算法负责人和产品团队协作，推动模型能力在业务场景中稳定落地。
• 建设工程质量、线上稳定性、性能与可观测性体系。
• 在业务快速迭代过程中识别技术风险，并持续优化研发效率。

要解决的核心问题

领导 AI 情感陪伴产品的方向判断与持续迭代，在用户需求、内容体验、模型能力和工程实现之间形成清晰、可执行的产品路线。

主要职责

• 制定 C 端 AI 产品战略、路线图和关键阶段目标。
• 洞察情感陪伴、角色互动与内容型用户需求，建立产品判断标准。
• 推动核心体验、内容机制、商业化与长期用户价值持续迭代。
• 与算法和工程团队共同定义模型能力的产品化路径。
• 带领产品团队完成从需求判断、方案设计到上线复盘的完整闭环。

要解决的核心问题

为算法团队建设模型、Prompt、文本数据和评测平台，打通数据标注、模型训练、评估、部署与版本迭代的完整流程。

主要职责

• 设计并管理陪伴模型资产库，实现模型版本控制与迭代追踪。
• 建设 Prompt 管理与协作工具，支持角色扮演模板的版本控制和 A/B 测试。
• 建设文本数据平台，覆盖对话数据清洗、标注、预处理和数据集管理。
• 设计标准化评估框架与自动评测流程，形成多维度质量报告。
• 优化 Roleplay 与个性化体验模块，提升角色互动的深度和一致性。

要解决的核心问题

围绕陪伴大模型建立高质量的后训练与角色对齐能力，持续提升 Roleplay、人设一致性、情感交互和沉浸感。

主要职责

• 负责 SFT、RL、DPO、PPO、RLHF 等后训练和对齐算法的实现与调优。
• 结合虚拟角色 IP 和产品需求设计后训练策略，保障多轮交互中的人设一致性。
• 搭建奖励模型与评估体系，优化拟人化、情感共鸣和用户理解。
• 将角色设定转化为高质量 Roleplay 指令与偏好数据，支撑模型迭代。
• 参与分布式训练工程，优化显存占用、训练稳定性与整体效率。

要解决的核心问题

负责 AI 情感陪伴产品的 C 端体验与运营后台，将用户需求转化为严谨、可交付的产品方案并持续推动上线优化。

主要职责

• 负责 AI 情感陪伴产品的平台功能模块设计与落地。
• 负责运营后台功能的需求设计与迭代，为运营团队提供高效工具。
• 独立完成需求调研、竞品分析、PRD 撰写和交互设计。
• 跟进开发、测试、上线和复盘的完整流程。
• 与设计、开发和测试团队紧密协作，确保需求高质量交付。

要解决的核心问题

设计并构建 Agent 的完整记忆架构，将多来源交互数据转化为结构化、可检索且具备生命周期管理的长期记忆体系。

主要职责

• 设计 Core、Episodic、Semantic、Procedural 等多类型记忆架构。
• 构建记忆写入、去重、合并、冲突消解、存储与索引 Pipeline。
• 实现记忆衰减、淘汰、重要性排序和动态权重调整。
• 建设向量检索与全文检索结合的上下文感知召回系统。
• 设计多 Agent 记忆协作、多模态输入支持和记忆效果评估体系。

要解决的核心问题

建设核心对话场景的 Agent 工程体系，让模型、记忆、RAG 与用户交互层在高并发环境中稳定、低延迟地协同运行。

主要职责

• 设计并演进 Agent Harness，包括 Agent Loop、工具调用、多 Agent 编排和状态管理。
• 建设流式输出、打断恢复、Human-in-the-loop 和前后端交互协议。
• 定义 Agent、Memory、RAG 的工程边界与接口规范。
• 设计高并发分布式架构，优化检索生成链路的性能与延迟。
• 负责技术方案拆解、评审和代码质量，推动 Agent 工程最佳实践落地。

要解决的核心问题

建设面向大模型训练的数据基础设施和数据资产体系，为 SFT、偏好学习、Agent 轨迹和模型评测提供高质量、可追踪的数据。

主要职责

• 建设和管理 SFT、RLHF、Preference Data 等大模型训练数据。
• 设计对话、偏好、Agent Trajectory 和 Evaluation 数据模型。
• 建设数据采集、清洗、去重、标注、质量评估、版本管理和回流流程。
• 搭建大规模 ETL/ELT、数据加工、发布和训练数据服务 Pipeline。
• 建设数据血缘、权限、检索、质量监控与 AI 数据仓库体系。
• 打通用户反馈、Bad Case、Error Analysis 与模型持续迭代的数据闭环。

要解决的核心问题

面向多模态大模型训练建立规模化、自动化、可验证的数据生产体系，把文本、图像、视频、音频与 Agent 轨迹转化为高质量训练和评测数据。

主要职责

• 建设多模态数据采集、合成、清洗、去重、分类和质量过滤 Pipeline。
• 开发文本与图像数据检索服务，包括 Chunk、Embedding、入库和多模态检索算子。
• 建设预训练、SFT、后训练、Agent 行为与模型评测数据的生产流程。
• 设计数据质量标准、Rubrics、Benchmark 及自动化与人工结合的评测机制。
• 建设标注平台、质检、抽检、版本管理、数据血缘和交付闭环。
• 在版本模型上验证数据收益，并将模型表现和 Bad Case 回流到数据迭代。