Agent 评测产品实习生（评测方向）

职位概览 我们正在寻找一位对 Agentic AI 评测体系充满热情的产品实习生，加入阶跃星辰核心产品团队，参与前沿大模型评测框架的设计与落地。 核心职责 Agentic 评测体系设计 负责 Agentic AI 产品的评测体系搭建，设计覆盖任务规划、工具调用、多轮决策、自我修正等核心能力的评估维度。构建可量化、可复现的评测指标，建立从单步动作到端到端任务完成度的完整评估链路。探索 Agent 在复杂场景（如代码生成、数据分析、多工具协同）中的能力边界评测方法。 前沿 Benchmark 对接与研究 持续追踪并对接 SWE-bench、AgentBench、WebArena、OSWorld 等国际前沿评测基准。研究最新评测方法论（如 LLM-as-a-Judge、Human-in-the-loop 评估、对抗性评测等），推动内部评测能力迭代升级。分析行业评测趋势，输出评测技术洞察报告，为产品技术路线提供决策支持。 业务评测接入与框架设计 对接各业务线的评测需求，设计通用化、可扩展的评测框架与平台。推动评测流程标准化，建设从数据构造、模型推理、结果分析到报告生成的全链路评测基础设施。协同算法、工程团队，将评测体系嵌入 CI/CD 流程，实现模型迭代的自动化评估与回归监控。 我们期待你具备 硬性能力： AI Coding & 数据处理能力：熟练使用 Python 进行数据分析和自动化脚本开发，具备处理大规模评测数据的经验，熟悉 Pandas、NumPy 等工具链。 技术理解力：对大模型、Agent 技术栈有基本认知，了解 Prompt Engineering、RAG、Function Calling 等核心概念。 产品思维：具备结构化思考能力，能将技术评测需求转化为可执行的产品方案。 加分项： 有 AI / 大模型相关产品实习经验，参与过模型评测、数据标注平台或 AI 应用的产品设计；熟悉至少一个主流大模型评测框架（如 OpenCompass、EleutherAI LM Evaluation Harness）。