产品经理招聘 职位类型:全职 | 工作地点:远程(Remote) ## 岗位:2C 数据产品经理(Web3/AI方向) 我们正在寻找一位对链上数据有敏锐嗅觉、深谙 C 端用户心理的产品经理加入 Hubble AI。你将负责将晦涩难懂的链上数据(On-chain Data)转化为普通用户可读、可交互、有价值的投资洞察,利用 AI 降低用户获取金融信息的门槛,打造 Web3 领域的“数据神器”。 ### 工作职责 - C端数据产品规划: 负责面向 C 端用户的 AI 数据分析产品的规划与设计,包括但不限于智能仪表盘(Dashboard)、链上异动监控、Smart Money 追踪等功能模块; - 数据价值挖掘与转化: 深入研究 Dune、Bitquery、Helius 等数据源的底层逻辑,将复杂的 API 数据转化为直观的前端可视化图表与交易信号; - AI + 数据体验创新: 探索 AI 在数据查询中的应用(如 Text-to-SQL、自然语言生成研报),降低普通用户使用链上数据的门槛,提升产品的易用性与交互体验; - 竞品与需求分析: 长期深度使用 Dune、Bitquery、Arkham 等竞品,敏锐捕捉 DeFi、Meme、NFT 等赛道的用户数据需求,输出高质量 PRD 与原型设计; - 研发协同: 与数据工程师和前端团队紧密配合,确保海量链上数据在 C 端展示的实时性、准确性与流畅度。 ### 我们期待您: - 数据产品经验: 1-3 年 AI/Web3 等互联网产品经验,有数据可视化、数据分析平台或金融科技软件设计经验者优先; - 熟悉链上数据工具: 熟练掌握 SQL,精通 Dune Analytics、Bitquery、Helius、Arkham 等至少一种主流链上数据工具,理解其数据结构与应用场景; - 极佳的 UX/UI 触觉: 能够将复杂的逻辑简单化,对图表交互、信息架构有独到见解,熟练使用 Figma; - 技术理解力: 理解区块链基本原理(交易、Gas、合约交互),能与开发团队顺畅沟通 API 接口与数据清洗逻辑; - 自驱与抗压: 适应远程办公节奏,对加密市场行情的快速变化保持兴奋感。 ### 我们提供: - 有竞争力的薪资 + 绩效奖金 - 代币与股权激励,共享长期增长红利 - 快速晋升至管理岗的机会,主导团队搭建与资源调配 ### 关于 Hubble AI Hubble AI 正在基于 ERC-8004 与 x402 协议,构建一个面向未来链上金融市场的开放 AI Agent 生态平台。我们超越传统数据服务,将链上数据、AI模型与策略转化为可互操作、自主交易的智能体(Agent),打造一个能让数据、研究与执行Agent之间自由发现、协作并实现价值交换的动态网络。 我们的使命是打造AI在下一代链上金融领域的自主协作层,推动链上金融从静态数据走向动态智能,形成一个链上数据、AI、策略与交易无缝流动的自驱动链上经济。
【Onchain Bloomberg招数据科学家,备战Onchain Finance!】 后端算法工程师(Web3 方向 - 机器学习) 技能职责:后端业务数据处理与开发:基于业务需求,设计并开发高可用、高性能的数据处理与机器学习工程模块,聚焦机器学习驱动的钱包标签识别场景(机构钱包 / 聪明钱 / 巨鲸钱包 / 风险钱包 / Scammer 钱包等),负责标签相关特征工程、模型训练数据 pipeline 构建,实现标签数据的高效统计、模型驱动的动态更新,支撑链上数据分析平台的核心功能。 跨团队协同:联动产品、前端及算法团队,对齐钱包标签识别的机器学习目标(如模型准确率、召回率优化),收集业务反馈迭代模型落地方案,确保机器学习技术实现与产品路线图、业务价值一致。 理想人选:核心技术能力: 精通 python/Go/JS 等开发语言,具备钱包标签识别系统开发经验;具备扎实的机器学习基础,熟悉标签识别相关算法(如分类算法、聚类算法、时序分析、异常检测等),能熟练使用特征工程工具(Pandas、PySpark)、机器学习框架(TensorFlow/PyTorch)及模型部署工具(ONNX、TensorRT);能独立完成 “数据清洗 - 特征提取 - 模型训练 - 评估迭代 - 工程化部署” 全流程,具备机器学习模型在高并发场景下的落地经验。 过往业务经验需符合以下至少 1 项要求: (1)主导过机构钱包标签库建设,能通过链下数据关联、链上行为特征工程,结合机器学习模型(如分类算法)优化标签精准分类; (2)具备通过过往交易行为分析聪明钱 / 巨鲸钱包的经验,能基于大额交易、持仓变化等数据构建特征,通过时序分析、聚类算法实现目标钱包识别与标签体系构建; (3)有风险钱包标签体系设计经验,熟悉洗钱、钓鱼等风险场景,能结合机器学习规则引擎(如 Spark MLlib)开发动态风险模型,优化标签定义与规则迭代; (4)参与过 Scammer 钱包识别系统搭建,能基于交易行为、地址关联等数据构建特征,通过监督 / 半监督学习构建识别模型,迭代优化模型效果(如召回率、误判率)。 容器化与部署能力:熟练使用 Docker Compose/K8s 进行容器化部署(含机器学习模型服务化部署,如 TensorFlow Serving、TorchServe)与集群管理,精通 CI/CD 流程,具备机器学习中间件(如 MLflow)的自动化部署及故障处理能力,支撑高并发标签数据处理与模型推理场景。