蚂蚁集团-Agent 评测研发工程师-健康事业群

负责大模型 Agent 系统的全流程评测工作，涵盖功能评测、性能评测、效果评测及稳定性评测，重点关注评测过程的稳定性保障与评测效率提升，搭建完善的评测体系与标准，确保 Agent 输出质量符合业务预期。

设计并执行大模型 Agent 的评测方案，包括评测数据集构建、评测指标定义、评测流程规划，重点针对长程任务场景开展专项评测，熟悉 SWE Bench、Terminal Bench、GAIA 等主流 Agent 评测 benchmark，能基于 benchmark 完成评测落地、结果分析与优化，同时覆盖 Agent 的任务完成率、响应准确性、逻辑连贯性、工具调用合理性等核心维度评测。

进行 Agent 运行轨迹分析与问题归因，梳理 Agent 在任务执行过程中的决策链路、工具调用流程、上下文交互等关键环节，定位输出异常、性能瓶颈、逻辑漏洞等问题，形成详细的归因报告并推动优化。

结合算法能力，对大模型 Agent 的核心算法模块（如意图识别、决策规划、工具调用、知识检索等）进行评测与分析，评估算法效果，提出针对性的优化建议，协同算法团队迭代提升。

负责评测工具的开发与维护，基于工程能力搭建自动化评测框架，优化评测流程与工具性能，保障评测过程的稳定性，提升评测用例执行效率、结果统计与分析效率，支撑 Agent 版本的快速迭代验证。

跟踪大模型及 Agent 评测领域的前沿技术，引入先进的评测方法、工具与指标，持续优化评测体系，提升评测工作的专业性与前瞻性。

协同产品、算法、开发团队，同步评测结果与问题归因，推动问题整改与功能优化，保障 Agent 系统的稳定性、可靠性与业务适配性。

计算机/数学/统计/AI 相关专业本科及以上，硕士/博士优先。

扎实的算法与工程能力：熟练 Python，能独立完成评测框架开发、数据处理与分析。

深刻理解 LLM/Transformer 及后训练范式：SFT、RLHF/DPO/Reward Modeling 等；理解 Agent/RAG 的典型失败模式与评测要点。

有大模型评测/后训练经验：大模型评测、后训练、A/B 实验、统计推断等方向有实战沉淀。

熟悉或有经验构建/使用主流评测集与框架者优先：C-Eval、CMMLU、HumanEval、AGIEval，或 HELM、lm-evaluation-harness 等。

有医疗/合规/安全相关经验加分；有大厂大模型算法/评测/平台化经验加分；发表过顶会论文（ICLR/NeurIPS/ACL等）优先。