千问事业部-MOS 实验室-推荐/推送算法专家（大模型方向）-杭州/北京/广州

Company 夸克&千问

Focus 技术 · 算法

北京, 杭州, 广州

July 29, 2026

岗位职责

关于我们： MOS 实验室隶属于阿里 ATH 千问事业群。我们致力于在大模型时代打造具有全球影响力的 AI 原生产品，推动 AI 从“被动对话”向“主动服务与复杂执行”的范式跃迁。实验室核心业务涵盖 AI 搜索、生成式推荐、主动服务及任务助理 Agent 等前沿领域。依托千问大模型底座，我们深度探索 RAG、Agentic RL、多 Agent 协作及全链路工程自动化技术，旨在构建能够深度理解用户、自主规划路径并闭环交付任务的“最强 AI 助手”。岗位职责：定义大模型时代的主动推荐

主动服务场景构建：负责千问场景下的主动推荐算法研发。基于用户长期记忆与画像，构建主动发起聊天话题、引导任务执行的算法体系。
生成式推荐探索：探索 LLM-Native 的推荐范式，利用大模型的原生推理能力实现生成式推荐（Generative Recommendation），打破传统过滤式推荐的局限。
时机决策与推送策略：针对主动服务中的“打扰度”痛点，构建高精度的时机建模（Timing Modeling）与推送策略，确保在最合适的时刻提供最具价值的信息。
长时记忆与任务驱动：结合 RAG 与记忆模块，使推荐逻辑具备跨时空的连续性，实现基于历史上下文的精准任务挖掘与发起。
业务闭环优化：深度理解推荐与推送业务指标（点击、留存、任务达成），通过算法手段实现用户价值与业务增长的协同。职级可看P6-P8

任职要求

推荐领域资深背景：拥有丰富的荐系统或推送业务经验，对召回、排序、重排等经典架构有深刻理解。
大模型实战经验：熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先。
策略与建模能力： ○ 精通传统推荐算法（如多任务学习、强化学习、序列建模）。 ○ 在推送算法、用户生命周期建模、或 Uplift Model 等增量建模方向有成功案例。
敏锐的业务洞察：能够从用户体验角度出发设计算法，对“主动服务”场景有独特的思考，不拘泥于单纯的技术实现。
工程与硬技能：极其扎实的编程功底（Python/Java/C++），熟悉主流深度学习框架，具备处理海量数据、实现复杂逻辑落地的能力。加分项 ● 在推荐系统或 NLP 顶会（RecSys, SIGIR, KDD, ACL 等）发表过大模型推荐相关论文。 ● 有成功的“主动式 AI”或“情感化交互”产品落地经验。 ● 在处理复杂用户记忆、长上下文推理方面有独到见解。

岗位标签

NEW

岗位职责

主动服务场景构建：负责千问场景下的主动推荐算法研发。基于用户长期记忆与画像，构建主动发起聊天话题、引导任务执行的算法体系。

生成式推荐探索：探索 LLM-Native 的推荐范式，利用大模型的原生推理能力实现生成式推荐（Generative Recommendation），打破传统过滤式推荐的局限。

时机决策与推送策略：针对主动服务中的“打扰度”痛点，构建高精度的时机建模（Timing Modeling）与推送策略，确保在最合适的时刻提供最具价值的信息。

长时记忆与任务驱动：结合 RAG 与记忆模块，使推荐逻辑具备跨时空的连续性，实现基于历史上下文的精准任务挖掘与发起。

业务闭环优化：深度理解推荐与推送业务指标（点击、留存、任务达成），通过算法手段实现用户价值与业务增长的协同。职级可看P6-P8

任职要求

推荐领域资深背景：拥有丰富的荐系统或推送业务经验，对召回、排序、重排等经典架构有深刻理解。

大模型实战经验：熟悉主流大模型的应用逻辑，有生成式推荐、Agent 推理或 LLM-based 策略优化实战经验者优先。

策略与建模能力： ○ 精通传统推荐算法（如多任务学习、强化学习、序列建模）。 ○ 在推送算法、用户生命周期建模、或 Uplift Model 等增量建模方向有成功案例。

敏锐的业务洞察：能够从用户体验角度出发设计算法，对“主动服务”场景有独特的思考，不拘泥于单纯的技术实现。

工程与硬技能：极其扎实的编程功底（Python/Java/C++），熟悉主流深度学习框架，具备处理海量数据、实现复杂逻辑落地的能力。加分项 ● 在推荐系统或 NLP 顶会（RecSys, SIGIR, KDD, ACL 等）发表过大模型推荐相关论文。 ● 有成功的“主动式 AI”或“情感化交互”产品落地经验。 ● 在处理复杂用户记忆、长上下文推理方面有独到见解。