主分类：AI模型评测工程
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "AI评测专家 - 飞书",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "测试"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：飞书是字节跳动旗下 AI 工作平台，面向人与agent协作，提供一站式协同办公、组织管理、业务提效工具和深入企业场景的 AI 能力，让 AI 真能用真落地。\n从互联网、高科技、消费零售到制造、金融、医疗健康，各行各业先进企业都在飞书落地AI，与飞书共创行业最佳实践。先进团队，AI用飞书。\n\n1、负责AI Agent的评测体系建设，制定覆盖基础能力、业务效果、工具调用、任务执行、稳定性、安全性和用户体验的评测标准，根据业务场景设计评测集、评分规则和验收门槛，建立从离线评测、自动化评测到线上效果监控的完整评测链路；\n2、设计并维护高质量评测数据集，负责样本采集、清洗、标注、分层、去重及版本管理，保障数据代表性、覆盖度和区分度；\n3、建设自动化评测能力，综合使用规则、代码、模型裁判和人工专家完成多维评分，并持续提升评测结果的准确性与一致性；\n4、建立失败案例归因体系，对幻觉、误判、漏答、工具调用失败、执行中断和结果不稳定等问题持续聚类，推动Top问题专项治理；\n5、探索用户反馈、线上行为和业务结果与离线评测之间的关联，持续提升评测指标对真实用户体验的解释能力，跟踪业界评测方法和前沿技术，沉淀AI评测规范、最佳实践和方法论，推动评测能力在不同业务场景中复用。",
"requirements_text": "1、具备大模型评测、算法评测、数据分析、测试开发或AI产品质量相关经验，有自动化评测平台或评测流水线建设经验、复杂任务E2E评测、工具调用评测或Computer Use Agent评测经验优先；\n2、熟悉大语言模型、AI Agent、RAG、工具调用、Prompt Engineering和模型推理的基本原理；\n3、熟悉准确率、召回率、Pass@K、成对比较、评分量表、LLM-as-a-Judge和人工评测等常见评测方法；\n4、具备数据分析和基础编程能力，能够使用Python、SQL等工具完成数据处理、评测实验和结果分析；\n5、具备较强的结构化分析和报告能力，能够从大量失败样本中提炼共性问题并提出。",
"skills": [AI生成
"Python",
"SQL",
"数据分析",
"测试开发",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "1、具备大模型评测、算法评测、数据分析、测试开发或AI产品质量相关经验，有自动化评测平台或评测流水线建设经验、复杂任务E2E评测、工具调用评测或Computer Use Agent评测经验优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7667185359777188149/detail"
}
]
},
"posting": {
"posting_id": "7667185359777188149",
"post_date": "2026-07-27",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7667185359777188149/detail"
},
"fulltext": "AI评测专家 - 飞书\n职位描述\n团队介绍：飞书是字节跳动旗下 AI 工作平台，面向人与agent协作，提供一站式协同办公、组织管理、业务提效工具和深入企业场景的 AI 能力，让 AI 真能用真落地。\n从互联网、高科技、消费零售到制造、金融、医疗健康，各行各业先进企业都在飞书落地AI，与飞书共创行业最佳实践。先进团队，AI用飞书。\n\n1、负责AI Agent的评测体系建设，制定覆盖基础能力、业务效果、工具调用、任务执行、稳定性、安全性和用户体验的评测标准，根据业务场景设计评测集、评分规则和验收门槛，建立从离线评测、自动化评测到线上效果监控的完整评测链路；\n2、设计并维护高质量评测数据集，负责样本采集、清洗、标注、分层、去重及版本管理，保障数据代表性、覆盖度和区分度；\n3、建设自动化评测能力，综合使用规则、代码、模型裁判和人工专家完成多维评分，并持续提升评测结果的准确性与一致性；\n4、建立失败案例归因体系，对幻觉、误判、漏答、工具调用失败、执行中断和结果不稳定等问题持续聚类，推动Top问题专项治理；\n5、探索用户反馈、线上行为和业务结果与离线评测之间的关联，持续提升评测指标对真实用户体验的解释能力，跟踪业界评测方法和前沿技术，沉淀AI评测规范、最佳实践和方法论，推动评测能力在不同业务场景中复用。\n\n职位要求\n1、具备大模型评测、算法评测、数据分析、测试开发或AI产品质量相关经验，有自动化评测平台或评测流水线建设经验、复杂任务E2E评测、工具调用评测或Computer Use Agent评测经验优先；\n2、熟悉大语言模型、AI Agent、RAG、工具调用、Prompt Engineering和模型推理的基本原理；\n3、熟悉准确率、召回率、Pass@K、成对比较、评分量表、LLM-as-a-Judge和人工评测等常见评测方法；\n4、具备数据分析和基础编程能力，能够使用Python、SQL等工具完成数据处理、评测实验和结果分析；\n5、具备较强的结构化分析和报告能力，能够从大量失败样本中提炼共性问题并提出。\n团队介绍：飞书是字节跳动旗下 AI 工作平台，面向人与agent协作，提供一站式协同办公、组织管理、业务提效工具和深入企业场景的 AI 能力，让 AI 真能用真落地。\n从互联网、高科技、消费零售到制造、金融、医疗健康，各行各业先进企业都在飞书落地AI，与飞书共创行业最佳实践。先进团队，AI用飞书。\n\n1、负责AI Agent的评测体系建设，制定覆盖基础能力、业务效果、工具调用、任务执行、稳定性、安全性和用户体验的评测标准，根据业务场景设计评测集、评分规则和验收门槛，建立从离线评测、自动化评测到线上效果监控的完整评测链路；\n2、设计并维护高质量评测数据集，负责样本采集、清洗、标注、分层、去重及版本管理，保障数据代表性、覆盖度和区分度；\n3、建设自动化评测能力，综合使用规则、代码、模型裁判和人工专家完成多维评分，并持续提升评测结果的准确性与一致性；\n4、建立失败案例归因体系，对幻觉、误判、漏答、工具调用失败、执行中断和结果不稳定等问题持续聚类，推动Top问题专项治理；\n5、探索用户反馈、线上行为和业务结果与离线评测之间的关联，持续提升评测指标对真实用户体验的解释能力，跟踪业界评测方法和前沿技术，沉淀AI评测规范、最佳实践和方法论，推动评测能力在不同业务场景中复用。\n1、具备大模型评测、算法评测、数据分析、测试开发或AI产品质量相关经验，有自动化评测平台或评测流水线建设经验、复杂任务E2E评测、工具调用评测或Computer Use Agent评测经验优先；\n2、熟悉大语言模型、AI Agent、RAG、工具调用、Prompt Engineering和模型推理的基本原理；\n3、熟悉准确率、召回率、Pass@K、成对比较、评分量表、LLM-as-a-Judge和人工评测等常见评测方法；\n4、具备数据分析和基础编程能力，能够使用Python、SQL等工具完成数据处理、评测实验和结果分析；\n5、具备较强的结构化分析和报告能力，能够从大量失败样本中提炼共性问题并提出。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}