岗位职责
加入天猫技术质量团队，你将面向导购、搜索、营销、商家经营、客服等核心业务场景中的各类 AI Agent，对端到端业务效果负责。 这个岗位不止是“给 Agent 打分”，而是深入 AI 应用链路，通过指标设计、评测集管理、自动化评测、执行轨迹分析、问题挖掘和数据回流，定位影响业务效果的关键问题，并推动 Prompt、Skill、记忆、知识库、工具链及 Agent 架构持续优化，建立“应用构建—效果评测—问题归因—数据回流—针对性优化—回归验证”的完整闭环，以评测驱动 Agent 演进，让 AI 应用在真实业务场景中取得可衡量、可持续的效果。 具体你将负责
- Agent 端到端业务效果评测与优化 面向天猫业务 Agent，设计覆盖任务理解、规划决策、知识获取、工具调用、任务执行及最终业务结果的端到端评测方案。 建立多维度评测指标与判定标准，包括任务完成率、结果正确性、业务规则符合度、工具调用准确性、过程合理性、稳定性、安全性、成本及时延等。 打通离线评测与线上业务效果，围绕真实场景中的任务成功、用户体验、业务转化和履约质量等目标评估 Agent 价值。 能够独立负责一个 Agent 应用或核心组件的效果优化，从问题定义、方案设计、评测验证到上线回归，对最终效果负责。
- 业务评测集与数据回流体系建设 从真实业务流量、用户行为、反馈数据、线上问题和专家经验中沉淀高价值样本，建设场景化、分层化的评测集与业务 Benchmark。 设计覆盖常规、边界、复杂及对抗场景的评测任务，持续提升评测集的代表性、区分度与风险覆盖能力。 建立数据采集、清洗、标注、质检、版本管理与持续更新机制，保障评测数据的质量、时效性和可追溯性。 建设线上问题与评测集之间的数据回流机制，将真实应用行为和失败案例转化为可复现、可回归的评测资产，驱动针对性优化。
- 深度问题挖掘与效果归因 对 Agent 输出结果和完整执行轨迹进行分析，定位 Prompt、Skill、记忆、知识库、检索、规划推理、工具调用及业务执行等环节的问题。 建立失败模式分类与根因分析机制，识别共性短板、系统性风险及高价值优化机会，并形成可落地的改进方案。 运用统计分析、实验设计、AI 对齐评估及人工评测等方法，判断效果差异、优化收益和结论可信度。 建设可视化评测报告与问题追踪机制，推动问题从发现、归因、修复到验证的闭环管理。
- 评测驱动的 AI 应用优化 与算法、研发、产品和业务团队协作，将评测结论转化为 Prompt、Skill、记忆、知识库、检索策略、工具链及 Agent 架构的优化方案。 设计 A/B 测试、红蓝对抗和版本对比实验，验证优化效果，识别真实收益、适用边界与回退风险。 建立版本准入、自动化回归和持续效果追踪机制，保障 Agent 迭代过程中的效果稳定性与可控性。 沉淀评测方法、工具和最佳实践，建设自动化评测框架及自助评测能力，提升团队规模化发现问题和优化应用的效率。
职位要求
- 本科及以上学历，计算机、人工智能、软件工程、统计学、数学等相关专业；具备 2 年以上软件测试、质量工程、AI 应用评测或效果优化经验，有大模型或 AI Agent 落地经验。
- 理解 AI Native 应用架构及 Agent 核心链路，熟悉 Prompt、RAG/向量检索、Skill、记忆、知识库、工具调用、任务规划和多轮交互等技术或组件。
- 具备端到端业务效果意识，能够从业务目标出发定义成功标准、设计评测指标，并建立离线评测与线上业务效果的关联。
- 熟悉 Agent 评测体系建设，能够综合运用自动化评测、规则评测、LLM-as-a-Judge、人工评测及红蓝对抗等方法，并理解其偏差和适用边界。
- 具备问题挖掘、数据分析和实验设计能力，能够结合评测结果与执行轨迹完成根因分析，通过 A/B 测试或版本对比验证优化收益。
- 熟练使用 Python、Java 等至少一种编程语言，具备评测集与反馈数据管理、自动化评测、数据处理或评测工具开发能力。
- 具备较强的业务理解、跨团队协作和结果推动能力，能够独立承担 Agent 应用或核心组件的效果评测与优化，并对最终交付效果负责。
