Mlytics 摩速科技有限公司

An AI-native product builder who turns uncertain ideas into testable products and commercial evidence.運用 AI 親手將不確定的產品構想，轉化為可測試的產品體驗與商業證據。 關於 Cortex 消費者的購買決策入口，正從搜尋引擎移向 AI 問答。品牌發現自己不在 ChatGPT、Perplexity 的答案裡，卻不知道原因、也沒有可控的改善管道；媒體商則眼看讀者與廣告收入被 AI 攔截。 Cortex 是一套「品牌置入 AI 問答」系統：透過嵌入媒體網站的 AI QA Widget，當讀者在內容情境中向 AI 提問時，讓合適的品牌以有用、可信的方式出現在答案裡——媒體保留第一方互動並獲得分潤，品牌獲得進入 AI 答案的分發管道。 多數 GEO 工具停在「測量層」（診斷品牌在 AI 答案中的能見度）；Cortex 要做的是「分發層」：品牌該出現在哪些問答情境、如何可信地出現、出現後是否產生價值。 產品已在市場上與真實品牌、媒體商運行驗證中，架構與商業模式仍在快速演進——你不是接手既定系統，而是和團隊一起驗證：什麼樣的產品體驗與商業模式，能形成可重複、可規模化的市場。 你的使命 負責 Cortex 從問題探索、產品定義、原型驗證，到交付、採用與商業化的端到端產品管理。把模糊的市場訊號轉化為可驗證的假設、可操作的 prototype、清楚的優先順序，以及工程可以執行的 roadmap。 這是一個高度 hands-on 的角色：面對新的產品假設，你能運用 AI coding tools、LLM API、automation 與 no-code／low-code 工具，親手做出可操作的 prototype、交到真實使用者手中取得證據——不必等工程排程，也不需要做到 production-grade。你負責的是「想法到可測試體驗」的第一哩路。 你會做什麼 建立 Cortex 的產品論述：定義品牌端與媒體端的 ICP、痛點、差異化價值與商業模式，讓工程、業務、客戶在同一個故事裡對齊推動 continuous discovery：訪談客戶、形成假設、設計最小驗證，找出品牌願意付費、媒體願意部署、讀者願意使用的交集AI-native prototyping：用 Cursor／Claude Code 等工具串接 LLM API 與資料，快速做出可操作的 prototype 並取得真實回饋拆解模糊目標：把「提高 POC 轉換率」這類目標拆成可執行、可驗證的問題與 milestone，在資訊不完整時持續推進負責優先順序：在品牌需求、業務機會、競品壓力、技術債之間排序，說清楚 trade-off，並在新證據出現時公開修正定義 AI 產品規格：理解 RAG、agent、model routing 的取捨，定義成功條件、失敗模式、fallback 與 evaluation，與工程直接對話不隔層建立衡量閉環：從讀者互動、媒體採用、品牌成效到營收訊號，讓「產品值不值得投入」可以被誠實回答 你可能不適合，如果你 主要在需求方與工程之間傳話，依賴他人形成產品判斷只能用簡報或 wireframe 表達產品，認為 prototype 都該由工程做很會做 AI demo，卻說不清楚它驗證了哪個產品假設沒有完整需求就停擺，把模糊當成別人的失職 為什麼是現在 一個正在成形的市場：GEO／AI answer visibility 是行銷產業正在發生的結構轉移，你會站在分發層——比測量層更接近價值交換的位置極大的產品槓桿：小而資深的團隊，你的判斷直接決定產品方向，沒有層層審批AI-native 工作方式：我們用 AI 工具作為日常工作的一部分，你的驗證速度就是團隊的學習速度

The engineer who makes a small, senior team run faster, steadier, and leaner.讓整個工程組織跑得更快、更穩、更省的那個人。 關於這個角色 Mlytics 正從 multi-CDN 基礎設施公司，轉型為 AI Decision Intelligence 公司。我們的產品線包括 AI 問答分發系統（Cortex）與智慧調度平台，工程團隊小而資深，用 AI 放大每個人的產出。 這不是傳統的 Platform 職位。 我們不自建內部開發者平台、不設上線審批關卡。你的角色是放大器：建立可靠度機制、掌管 AI 成本、打造讓團隊敢動 legacy 的工程骨架。你定的機制會直接成為全公司的工程標準——而你做的成本優化，會直接出現在公司的損益表上。 你會做什麼 設計可靠度標準與 on-call 機制：定義全線上服務（AI 產品與 CDN 調度平台）的可靠度標準與升級機制，讓各團隊能自主運維、你是機制擁有者與最後防線建立 AI 成本治理（FinOps）：依 model、tenant、feature 拆解 AI/infra 成本，建立歸因模型與預算可見度，主導跨團隊降本——這條直接影響毛利決定平台架構方向：判斷 adopt vs build 的邊界，優先採用成熟工具與託管服務，讓平台在不擴編的前提下支撐產品成長把 DevEx 制度化：設計共用的部署、觀測、測試骨架（golden path），讓「敢動 legacy」成為團隊常態技術帶領：作為 infra／reliability 領域的技術導師帶方向，把關鍵知識機制化——我們不接受任何系統只活在一個人腦袋裡產品端安全執行：依安全政策與威脅模型，在產品／雲端系統內落地安全控制 你可能不適合，如果你 想從零打造一套自己的平台（我們 adopt over build）習慣當上線前的審批關卡（我們要放大器，不要守門員）靠個人記憶與英雄式救火撐系統（我們要機制，不要英雄） 為什麼是現在 你的槓桿極大：小而資深的團隊，你定的機制直接成為全公司標準，沒有層層審批成本 = 毛利：你做的 FinOps 不是內部報表，是損益表上看得見的數字AI-native 工作方式：我們用 Claude Code 等 AI 工具作為日常開發的一部分，你的產出會被 AI 放大

【Role Overview 職位說明】 As a member of the People Operations team, you will support daily HR operations with a focus on recruitment, employer branding, employee relations, and HR administration. You will work closely with hiring managers and cross-functional teams to ensure smooth and compliant HR processes. 作為 People Operations Team 的執行角色，你將協助團隊內各功能的運作外，也提供各部門專業人資功能的建議。負責日常人力資源相關作業，專注於招募任用、雇主品牌與員工關係，並依組織需求支援教育訓練與其他 HR 專案。如果你對「人」的事務有高度興趣、自我學習能力強，善於理性與感性兼具的溝通，善於獨立執行多項 HR 任務，並與用人主管及跨部門夥伴密切合作，那非常歡迎你的加入！ 【Responsibilities 工作內容】 Support full-cycle recruitment, including resume screening, interviews, and hiring coordination.Assist in planning and executing employer branding initiatives.Support employee relations and internal engagement activities.Manage employee onboarding and offboarding processes and handle daily HR administrative tasks.Support other HR projects and initiatives as needed.與部門主管合作，協助部門進行人才招募（包含履歷篩選、人選面試、任用作業等 full-cycle 招募流程）協助擬定並執行雇主品牌相關策略。員工關係建立與維護，規劃與執行內部團隊活動。負責員工入職與離職流程規劃與執行，並支援日常 HR 行政作業，確保流程順暢且符合法規。依組織需求，支援其他人力資源制度建置或專案執行。

【關於這個職位】你將設計與維護資料管線（data pipelines）、建立同時供產品與 AI 使用的資料模型，並打造讓 AI Agent 能可靠查詢、推理與操作公司資料的基礎架構。工作範圍涵蓋資料擷取、品質監控、語意層（semantic layer）設計，以及 AI Agent 的資料介面。你的主要重點會放在資料層本身 —— 包括資料管線、資料模型、品質監控與語意基礎設施。但這個角色也會深入產品與機器學習領域，例如：- 建立 AI 產品功能- 探索與驗證 ML 方法- 將模型從研究階段推向正式上線目前我們尚未建立完整的 ML pipeline，因此我們希望找到一位足夠好奇、願意探索可能性、找出適合我們問題的方法，並協助從零開始建立這項能力的人。不是所有嘗試第一次都會成功，而這完全沒問題。我們正在尋找一位能高度自主工作的人：能定義問題、評估方案、做出取捨決策，並真正把產品交付出去。【我們正在打造什麼】大多數公司都會在產品資料庫、分析工具與手動報表之間累積大量資料，最終卻面臨：- 指標定義不一致- 商業邏輯不清楚- 重複的人工流程- 關鍵知識只存在於少數人的腦中而我們正在解決這個問題。我們的工作橫跨四個層次：1. 可信資料（Trusted Data）：擷取、清理、監控資料，讓資料可靠可信。2. 定義完善的資料（Defined Data）：將原始資料轉換成有良好文件化的資料集、指標與商業定義。3. 商業脈絡（Business Context）：保存讓資料有意義的領域知識、規則與假設。4. AI 工作流程（AI Workflows）：將上述所有內容整合進 AI Agent、自助分析與實際可用的自動化流程中。你將主要參與第 1–3 層，並隨著對業務理解增加，逐步深入第 4 層。AI 並非只是概念驗證（demo）而已。我們正在正式推出 AI Agents，用來：- 回答商業問題- 自動化報表- 協助營運決策【主要職責】- 設計、建立與維護批次與串流資料管線，來源包含：資料庫、API、雲端儲存、Log、Event Streams- 建立與維護資料模型（raw / cleaned / curated），供以下用途使用：產品功能、報表、分析、AI 系統- 定義指標邏輯、資料品質規則與使用文件，讓人類與 AI 都能正確且有信心地使用資料。- 建立與維護語意描述、metadata 與 context layer，使 AI Agent 不只理解資料結構，更理解資料意義。- 設計供 AI Agent 查詢的資料介面與 API，確保穩定性、可解釋性、結果正確性- 調查資料異常與不一致問題，找出根本原因，並建立可持續的預防與監控機制。- 與產品、商務與工程團隊合作，對齊資料定義並交付關鍵資料資產。- 建立或延伸 AI 產品功能，例如：Agent workflow、推薦邏輯、自動化報表- 研究、原型開發與評估 ML 方法，解決真實商業問題，並將有潛力的方法投入生產環境。由於我們正在建立這項能力，你也將參與定義它未來的樣貌。【必備資格】〔工程深度 Engineering Depth〕我們更重視你的思考方式，而不是你會哪些工具。你應該能從第一原理（first principles）出發設計資料系統，例如：1. 對儲存模型、索引設計、查詢最佳化與反正規化（denormalization）做合理取捨2. 理解分散式資料系統中的：一致性（consistency）、分區（partitioning）、故障模式（failure modes）、傳輸保證（delivery guarantees）3. 能分析效能瓶頸，例如：記憶體、concurrency、I/O、網路問題，而不是只靠猜測反覆重試。4. 能熟悉操作：雲端基礎架構、容器化工作負載、CI/CD pipeline〔AI 與 ML 能力〕1. 有為 AI / ML 準備資料的經驗，例如：feature store, semantic layer, prompt-driven data interface, AI agent data backend2. 理解 AI 系統如何消費與推理結構化資料，以及資料層不可靠時會造成哪些問題。3. 至少具備以下其中一項實務經驗：- 為 AI Agent 建立 data API- 設計 semantic / context layer- 支援 LLM-powered analytics- 推出 AI-enabled data product4. 能閱讀 ML 論文、評估方法，並自行實作可運作的解決方案。你不一定需要 ML 研究背景或發表過論文，但應該能從：「這是一個問題」走到「這是一個可運作的 prototype」〔判斷力與 Ownership〕1. 能在資訊不完整時有效工作：先定義可行版本、明確說明假設、持續迭代2. 能評估多種方案並解釋設計選擇背後的理由。3. 主動溝通：分享進度、提前提出阻礙、向非技術人員解釋技術決策4. 能主動發現下一個高價值任務，而不是等待指示。5. 願意在需要時支援相鄰領域：backend service、internal tooling、prototype 開發〔加分條件〕1. 有 modern data platform / lakehouse 架構經驗，例如：Databricks、Snowflake、BigQuery2. 熟悉 Spark、Delta Lake、dbt、Airflow，或類似 orchestration / transformation 工具3. 有資料觀測性（observability）、lineage、品質監控與 governance 經驗。4. 有推出以下產品的經驗：AI Agent、RAG 系統、LLM-powered application（且以結構化資料為基礎）5. 有新創公司或小型工程團隊工作經驗。

【我們在做的事】幾年前，我們打造了一個產品，並成功在市場上驗證價值，讓公司穩定站住腳。但這不是終點。現在，我們正在做一件更大的事情——把 AI 能力，直接接到「商業價值」上。我們不只是處理流量，而是開始處理「意圖（intent）」：當使用者在閱讀內容、發問、互動時，我們即時捕捉這些訊號，透過 AI 分析與轉換，讓這些行為變成可以被理解、被匹配，甚至被變現的商業價值。這不只是 AI feature，而是一整條從「使用者行為 → AI理解 → 商業轉換」的產品鏈。我們在找的不是單純的工程師，而是——能把產品做出來，也能讓它產生影響力的人。【這個角色在做什麼】你會參與一條非常直接的 loop：把使用者的行為（intent）轉成產品價值，甚至營收日常會包含：1️⃣ 產品開發（End-to-End Ownership） • 設計與開發 backend services（Go / Python） • 建立 OpenAPI-first 的 API（逐步走向 AI / agent interface） • 開發前端體驗（Vue / Nuxt），包含 AI QA、互動流程、內容嵌入等2️⃣ AI 功能整合（Production，而不是 PoC） • 將 LLM / AI 模型整合進實際產品功能 • 應用在：內容理解、問題生成、推薦、對話等場景 • 不只是 demo，而是面對真實使用者與流量3️⃣ 快速實驗與產品迭代 • 快速做出 prototype（幾天內，而不是幾週） • 決定哪些東西該繼續、哪些該停止 • 持續把好的想法推進到 production 4️⃣ 全流程負責（從開發到上線） • 部署、監控、維運你開發的系統（Kubernetes / EKS） • 使用 Prometheus / Grafana / Sentry 進行觀測 • 問題發生時能快速定位與處理5️⃣ 工程 × 商業思維 • 理解產品如何創造價值（例如：轉換、匹配、流量品質） • 在技術決策時，同時考慮效能、體驗與成本（FinOps）6️⃣ AI-native 開發方式 • 日常使用 AI 工具（Claude、Cursor 等）加速開發 • 自動化測試、文件與流程 • 持續優化開發效率與方式【技術架構】〖Frontend〗Vue.js / Nuxt.js / Vuex〖Backend〗Golang / Python / PostgreSQL / Redis〖Infrastructure〗AWS / GCP / Kubernetes（EKS）/ multi-cloud CDN〖Observability〗Prometheus / Grafana / Sentry / Loki〖AI / Data〗Claude / Cursor / Databricks / Clickstream pipelines / Vector Search【必備條件】 • 有 5 年以上全端或相關開發經驗（接近以下 tech stack） • 曾經完整參與產品開發流程（前後端 / 部署 / 維運） • 熟悉 Go 或 Python（至少一種），以及 Vue.js 或類似前端框架 • 有實際將 AI / LLM 應用到產品中的經驗（不只是實驗） • 能在需求不明確的情況下推進事情，而不是等待指示【加分條件】 • 熟悉 agent 架構或相關工具（MCP、LangGraph、n8n 等） • 有 ad tech / martech / SaaS 經驗 • 理解基本商業指標（如轉換率、流量價值等）【為什麼這個角色重要】我們正處於一個關鍵階段： • 既有產品已經驗證成功並穩定運作 • 新一代 AI 產品已經有真實用戶與使用場景 • 下一步，是證明它能規模化創造商業價值--【What You’ll Do】You’ll be part of a very direct loop:Turning user intent into product value—and potentially revenue.Your day-to-day will include:1️⃣ Product Development (End-to-End Ownership) • Design and build backend services (Go / Python) • Develop OpenAPI-first APIs (evolving toward AI / agent interfaces) • Build frontend experiences (Vue / Nuxt), including AI QA, interactive flows, and embedded content2️⃣ AI Integration (Production, not PoC) • Integrate LLMs / AI models into real product features • Apply them to use cases such as content understanding, question generation, recommendation, and conversational flows • Work with real users and real traffic—not just demos3️⃣ Rapid Experimentation Iteration • Build prototypes quickly (in days, not weeks) • Decide what to push forward and what to stop • Continuously move strong ideas into production4️⃣ Full Ownership (From Development to Production) • Deploy, monitor, and operate the systems you build (Kubernetes / EKS) • Use tools like Prometheus, Grafana, and Sentry for observability • Diagnose and resolve issues quickly when they occur5️⃣ Engineering × Business Thinking • Understand how the product creates value (e.g., conversion, matching, traffic quality) • Consider performance, user experience, and cost (FinOps) in technical decisions6️⃣ AI-Native Development Workflow • Use AI tools (Claude, Cursor, etc.) as part of your daily workflow • Automate testing, documentation, and development processes • Continuously improve development speed and quality【Requirements】 • 5+ years of full-stack or related development experience (aligned with the stack above) • Experience building and shipping products end-to-end (frontend, backend, deployment, operations) • Proficiency in Go or Python (at least one), and Vue.js or similar frontend frameworks • Hands-on experience applying AI / LLMs in real product scenarios (not just experimentation) • Ability to move forward in ambiguous situations instead of waiting for perfect clarity【Nice to Have】 • Familiarity with agent architectures or tools (MCP, LangGraph, n8n, etc.) • Experience in ad tech / martech / SaaS • Understanding of basic business metrics (e.g., conversion rate, traffic value)