岗位职责
- 诊断 Agent 效果瓶颈并定位根因（Diagnosis & Root Cause Analysis） 面对 Agent 表现不佳时，迅速判断问题落在哪一层：上下文构造缺失、工具 schema 描述不准、工具返回被裁剪后丢失关键字段、上下文窗口（Context Window）被系统开销占满导致对话历史被截断，还是模型能力本身不足。 区分"模型能力不足"与"harness 没喂对信息"——这是本岗位最核心的判断力。多数"答非所问"并非模型不够聪明，而是有效上下文在预算分配中被挤掉；你要能拆到 token 级别算清这笔账，再决定改哪一层。 建立 bad case 分类机制，按出现频率与业务阻塞性排优先级，驱动迭代排期，而非被 case 数量牵着走。
- 设计上下文工程与工具编排策略（Context Engineering & Tool Orchestration） 定义各类上下文 Provider 的触发条件、注入顺序与 token 上限，在召回质量与窗口成本之间给出明确取舍。 设计工具的渐进式暴露策略（哪些工具在哪些场景进入模型视野），控制 schema 膨胀，并保证暴露给模型的 schema 与实际注册实现（含 Function Calling / MCP 工具）一致，避免"模型看得见却调不通"的幻影工具。 设计记忆（Memory）与检索增强（RAG）注入策略：定义用户画像、历史偏好、外部知识在什么时机注入、注入多少，以及与实时上下文冲突时的优先级。
- 构建评测体系、以数据驱动迭代（Evaluation & Data-Driven Iteration） 设计细粒度评测集与评测指标，覆盖多轮追问、多约束理解、复杂指令完成度与工具调用正确性，持续补齐场景盲区。 多个指标分开看、不做加权合成，红线项单独判定；核心指标是任务完成率与任务满足率——"格式合法地终结对话"不等于"解决了问题"。 面对模型的非确定性输出，建立可复现的评测方法：当环境不可控（时间、天气、实时数据每轮变化）时，先通过 freeze clock、mock 外部依赖、record-replay 固化环境，再比较跨版本效果差异。
- 推动改进落地并形成线上闭环（Productization & Online Loop） 改进分两类推进：快速止血（Prompt 优化、schema 修正、裁剪策略调整，带根因定位与量化收益预估，短周期上线并回归）与长期治理（工具暴露机制、记忆架构、Provider 触发逻辑等架构级调整，分阶段验收）。 将实验有效的策略固化为生产级能力，持续监控线上表现，定义效果劣化的告警规则并推动闭环修复。
- 与算法团队协同、对齐训练信号（Collaboration & Model Alignment） 当问题确认为模型能力不足时，输出结构化训练需求：目标场景、期望行为、当前典型错误模式、建议的数据构造方向，用工程师听得懂的语言对齐。 参与模型选型与多模型路由决策，根据场景对延迟、成本与智能度的要求制定策略，把取舍标准写成可执行规则而非"视情况而定"。
- 跟踪前沿并沉淀方法论（Frontier Tracking） 持续跟踪 Agent、Context Engineering、评测方法论的前沿进展，判断哪些可为高德 Agent 所用，并沉淀为团队可复用的方法与工具。
职位要求
- 技术背景：计算机、人工智能或相关专业背景，2 年以上 AI 产品或 NLP 应用经验。深入理解大模型 Agent 的运行链路——从 query 进入、意图识别、上下文构造、工具选择与调用、结果处理到回复生成，能讲清每一步的输入输出与常见故障点。必须懂机制，而非仅会调用 API。
- Agent 直觉（Agent Sense）： 基础：理解 RAG、Function Calling、Memory、Context Window 的基本原理与典型应用； 进阶：对工具 schema 如何影响模型选择、裁剪策略的副作用、温度等推理参数的影响有实操理解； 专家：能从一次异常输出快速反推是上下文缺失、工具描述问题还是模型能力问题，并给出改进路径。
- 实战能力：熟trace 解析、Prompt 回归测试；熟悉评测集设计与 matcher 规则构造，能处理口语化表达的多样性。发现问题先自己跑数据，不靠等排期。
- 数据品味：能区分"高频低危"与"低频高阻塞"的 bad case，按业务影响而非数量排优先级；不把主观估计当作事实。
- 沟通协作：能用工程师听得懂的语言描述需求，也能向业务方讲清 Agent 能力的边界与局限。 加分项： 有从 0 到 1 构建 Agent 应用或平台的成功案例，并在其中承担核心的效果决策角色。 有 Agent 编排框架、harness 层或模型评测平台的建设经验，理解工具循环的工程实现与评测回归的自动化。 有地图、出行或本地生活领域的产品经验，熟悉 POI 搜索、路径规划等场景下的用户预期。 理解 LLM-as-judge 的适用范围与局限，做过评测集版本管理与自动化回归。 熟悉主流开源与闭源模型（Qwen、DeepSeek、Llama、GPT、Claude 等）的能力差异，做过多模型路由或线上 A/B 实验。 擅长使用 AI 工具流（AI-Native Workflow，如 Cursor、Copilot）提升个人产出效率。 我们期待的你： 你拿到一个"Agent 回答不好"的反馈，不会只说"让算法优化一下"。你会先拉 trace 看上下文里到底喂了什么、工具返回被裁了多少、有效对话历史还剩多少，再判断是改 Prompt、调裁剪策略、补一个上下文源，还是确实需要更强的模型。你用数据定位，用评测验证，用代码确认，最后推动上线并盯住线上表现。
