岗位职责
- 从 0 到 1 生产合成 RL Instance：围绕种子任务构建完整 Instance（任务描述、运行环境、输入资产、评测钩子），通过参数化模板实现批量合成与自动校验，保证 Instance 的正确性、完整性与可复现性，作为 rollout 数据生产的起点。
- 搭建 Agent 与 rollout 产线：基于主流 harness/agent 框架搭建 Agent 运行环境，端到端跑通轨迹采样、自动校验、质量过滤的生产 Pipeline，对 rollout 结果做预校验与失败模式分析，保障进入训练的数据可信、可追溯。
- 建设 Verifier 与 Rubric：将模糊的质量目标拆解为可量化的 Verifier 和多维度打分 Rubric，与领域专家、标注团队以人机协作方式完成标注与校准，持续迭代以应对 Reward Hacking，确保评估信号与训练目标对齐。
- 对接算法侧形成闭环：与算法/训练团队紧密配合，将模型效果反馈转化为数据策略调整（任务难度、Reward 信号、标注规范等），驱动“数据 → 训练 → 评测”持续迭代。
职位要求
- 了解 RL 基本原理：理解 Reward Modeling 的基本原理及 Reward 信号设计对 RL 训练（PPO/GRPO 等）的影响，能从训练视角判断什么样的 Instance 是有效数据，并据此设计能力覆盖与难度分布。
- 具备从 0 到 1 的合成生产能力：熟练使用 Python，能独立完成任务定义、容器化环境构建与参数化批量合成，有搭建端到端数据产线的工程经验，保障数据生产的规模化与可复现。
- 动手能力强：熟悉主流 harness/agent 框架，能独立搭建 Agent 并批量采集 rollout 轨迹，能对多轮工具调用、代码执行等复杂轨迹识别行为模式与失败模式。
- 具备 Verifier/Rubric 设计能力：能将模糊的质量目标拆解为可量化的 Verifier 与多维度打分 Rubric，具备识别和应对 Reward Hacking 的判断力。
- 加分项：有办公、数据分析、金融、法律、医疗等 Cowork 场景任务的深度经验者优先；对 LLM、AGI 感兴趣，践行 AI Native 工作范式者优先。
