{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "Agent Harness 工程师",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "CSIG",
        "location": "上海",
        "work_mode": "未披露",AI生成
        "job_category": "技术"AI生成
    },
    "company": {
        "company_name": "腾讯",
        "company_industry": "互联网 / 科技 / 人工智能",
        "company_size": "10000人以上",
        "company_website": "tencent.com",
        "company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 3,
        "degree": "计算机及相关专业本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1.Agent Harness 核心框架研发：负责 Agent 运行时的架构设计与实现，包括 agent loop 调度、Tool/Skill 抽象与注册机制、Context 组装与压缩策略、长任务的状态持久化与 checkpoint 恢复、Sub-Agent 并发编排、以及沙箱隔离与权限控制体系，为上层业务提供稳定、可扩展、可复用的 Agent 执行底座；\r\n2.全链路 Tracing 与 Observability：设计并实现 Agent 执行全链路的可观测系统，对 LLM 调用、工具调用、重试与降级、Token 与成本消耗、上下文膨胀等关键环节做 Span 级建模与结构化埋点；建设延迟/成本/成功率归因分析能力，沉淀 failure mode 分类体系与异常告警机制，让 Agent 的\"黑盒行为\"可解释、可回溯；\r\n3.Agent 质量评估体系：构建自动化 eval pipeline，覆盖离线 Benchmark、在线 A/B Testing、SBS 人工评测与 regression detection；设计任务级评测指标与 rubric（含 LLM-as-Judge、pass@k、轨迹级评分），建设评测集管理与 CI 门禁，使每次 Prompt、模型、工具变更都有量化的收益与回归判定；\r\n4.Agent Debugging 工具链：开发面向研发的调试工具，支持 Trace 回放与单步执行、上下文与 Prompt 的 Diff 对比、工具调用链可视化、失败样本最小复现集自动提取；打通从线上异常 Trace 到本地可复现调试的闭环，显著缩短 Agent 问题定位周期；\r\n5.支撑平台建设与工程化落地：参与标注平台、数据管道、任务集与轨迹数据仓库等核心支撑平台的架构设计与开发，为模型训练与 Agent 迭代提供高质量数据闭环；与 AI 研究团队零距离协作，第一时间承接最新模型能力，将大模型与 Agent 协同进化的研究成果工程化落地，并持续探索 AI Agent 在日常研发工作流中的深度实践。",
        "requirements_text": "1.计算机及相关专业本科及以上学历；精通 Python，熟悉 TypeScript / Go 之一，具备扎实的工程实现能力与系统设计功底，能独立完成从架构设计到上线运维的全链路交付；\r\n2.重度使用 Cursor / Claude Code / Codex 等 agentic coding 工具进行日常编程，对 Agent 的能力边界、典型 failure mode（上下文丢失、工具误用、多轮偏移、幻觉式收敛）有切身的体感和自己的方法论；\r\n3.熟悉 AI / Agent 技术栈，理解 LLM 推理服务与采样参数、主流 Agent Framework（LangGraph / AutoGen / MCP 等）、Tool Calling 与 Function Schema 设计、Prompt 与 Context Engineering、RAG 与记忆机制；\r\n4.具备可观测性或评测基础设施建设经验，熟悉 OpenTelemetry / Trace 存储与查询、指标体系与看板设计、离线数据处理链路；熟悉分布式系统、高并发服务与异步编程，有大规模任务调度经验者优先；\r\n5.代码质量要求严格 —— 代码是给未来的 AI 与人共同维护的，可读性、模块边界、可测试性与文档缺一不可；有开源项目贡献、或主导过复杂系统重构者优先；有垂域 Agent 落地经验（Code Agent、Kernel/性能优化 Agent、数据分析 Agent 等）、或参与过 RL/SFT 数据闭环建设者显著加分；\r\n6.具备极客精神，喜欢折腾新技术并享受生产力突破带来的快感；对 Code Agent 与人机协同的未来有深刻思考，希望投身这场生产力变革之中，具备良好的跨团队协作能力与主动推动事情落地的驱动力。",
        "skills": [AI生成
            "Python",
            "TypeScript",
            "分布式系统",
            "数据分析",
            "性能优化",
            "架构设计",
            "团队协作",
            "Go",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "熟悉分布式系统、高并发服务与异步编程，有大规模任务调度经验者优先；有开源项目贡献、或主导过复杂系统重构者优先；有垂域 Agent 落地经验（Code Agent、Kernel/性能优化 Agent、数据分析 Agent 等）、或参与过 RL/SFT 数据闭环建设者显著加分",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://careers.tencent.com/jobdesc.html?postId=2098332758412804096"
            }
        ]
    },
    "posting": {
        "posting_id": "2098332758412804096",
        "post_date": "2026-09-14",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://careers.tencent.com/jobdesc.html?postId=2098332758412804096"
    },
    "fulltext": "Agent Harness 工程师\n在腾讯，后台开发工程师不仅是“又快又稳”的问题解决专家，更是生态共创者。你将与技术团队一同沉淀优质代码，让它成为我们共有的宝贵资产。在不同的业务场景和技术发展阶段，你的架构思维也将帮助更多协作团队拓展新的思考。我们也珍视你的挑战精神，同时欢迎你一起参与团队愿景、文化和产品方向的探讨。\n1.Agent Harness 核心框架研发：负责 Agent 运行时的架构设计与实现，包括 agent loop 调度、Tool/Skill 抽象与注册机制、Context 组装与压缩策略、长任务的状态持久化与 checkpoint 恢复、Sub-Agent 并发编排、以及沙箱隔离与权限控制体系，为上层业务提供稳定、可扩展、可复用的 Agent 执行底座；\r\n2.全链路 Tracing 与 Observability：设计并实现 Agent 执行全链路的可观测系统，对 LLM 调用、工具调用、重试与降级、Token 与成本消耗、上下文膨胀等关键环节做 Span 级建模与结构化埋点；建设延迟/成本/成功率归因分析能力，沉淀 failure mode 分类体系与异常告警机制，让 Agent 的\"黑盒行为\"可解释、可回溯；\r\n3.Agent 质量评估体系：构建自动化 eval pipeline，覆盖离线 Benchmark、在线 A/B Testing、SBS 人工评测与 regression detection；设计任务级评测指标与 rubric（含 LLM-as-Judge、pass@k、轨迹级评分），建设评测集管理与 CI 门禁，使每次 Prompt、模型、工具变更都有量化的收益与回归判定；\r\n4.Agent Debugging 工具链：开发面向研发的调试工具，支持 Trace 回放与单步执行、上下文与 Prompt 的 Diff 对比、工具调用链可视化、失败样本最小复现集自动提取；打通从线上异常 Trace 到本地可复现调试的闭环，显著缩短 Agent 问题定位周期；\r\n5.支撑平台建设与工程化落地：参与标注平台、数据管道、任务集与轨迹数据仓库等核心支撑平台的架构设计与开发，为模型训练与 Agent 迭代提供高质量数据闭环；与 AI 研究团队零距离协作，第一时间承接最新模型能力，将大模型与 Agent 协同进化的研究成果工程化落地，并持续探索 AI Agent 在日常研发工作流中的深度实践。\n1.计算机及相关专业本科及以上学历；精通 Python，熟悉 TypeScript / Go 之一，具备扎实的工程实现能力与系统设计功底，能独立完成从架构设计到上线运维的全链路交付；\r\n2.重度使用 Cursor / Claude Code / Codex 等 agentic coding 工具进行日常编程，对 Agent 的能力边界、典型 failure mode（上下文丢失、工具误用、多轮偏移、幻觉式收敛）有切身的体感和自己的方法论；\r\n3.熟悉 AI / Agent 技术栈，理解 LLM 推理服务与采样参数、主流 Agent Framework（LangGraph / AutoGen / MCP 等）、Tool Calling 与 Function Schema 设计、Prompt 与 Context Engineering、RAG 与记忆机制；\r\n4.具备可观测性或评测基础设施建设经验，熟悉 OpenTelemetry / Trace 存储与查询、指标体系与看板设计、离线数据处理链路；熟悉分布式系统、高并发服务与异步编程，有大规模任务调度经验者优先；\r\n5.代码质量要求严格 —— 代码是给未来的 AI 与人共同维护的，可读性、模块边界、可测试性与文档缺一不可；有开源项目贡献、或主导过复杂系统重构者优先；有垂域 Agent 落地经验（Code Agent、Kernel/性能优化 Agent、数据分析 Agent 等）、或参与过 RL/SFT 数据闭环建设者显著加分；\r\n6.具备极客精神，喜欢折腾新技术并享受生产力突破带来的快感；对 Code Agent 与人机协同的未来有深刻思考，希望投身这场生产力变革之中，具备良好的跨团队协作能力与主动推动事情落地的驱动力。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}