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": "阿里国际站-Agent模型评测工程师-杭州",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "技术类-算法"AI生成
},
"company": {
"company_name": "阿里国际数字商业",
"company_industry": "跨境电商",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "阿里国际数字商业业务涉及国际电商平台及跨境商品交易。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "我们正在围绕 阿里巴巴国际站 + Accio 打造面向真实全球贸易场景的 AI Agent。\n这不是传统聊天机器人评测岗位，而是要定义：一个 Agent 在真实商业世界里，是否真的会做事。\n你会做什么\n1. 设计面向跨境贸易场景的 Agent 评测体系，覆盖任务理解、规划、多语言、幻觉控制、工具调用、任务完成率、时延/稳定性/成本等。\n2. 构建高质量业务 benchmark，覆盖询盘、RFQ、Research、商家经营、海关/征信/物流等真实任务。\n3. 搭建 Agent / Tool Use / Browser Use 评测环境，支持多步任务复现、链路追踪和结果校验。\n4. 建设自动化评测能力，包括 LLM-as-Judge、对比评分、多维量表、端到端 success metric。\n5. 输出 bad case 归因、能力雷达图和优化建议，推动模型训练与产品迭代闭环。",
"requirements_text": "1. 3年以上大模型评测、Agent评测、算法工程或AI产品体验相关经验。\n2. 主导过至少一个端到端评测体系。\n3. 熟悉多轮对话、幻觉、指令遵循、工具调用、多步任务评测方法。\n4. 熟练 Python；有沙盒/容器化/评测平台经验优先。\n5. 能从真实业务场景定义模型好坏，而不是只看 benchmark 分数。\n6. 了解 SFT / RLHF / Eval 链路，有 LLM-as-Judge 或自动化评分经验更佳。",
"skills": [AI生成
"Python",
"大语言模型"
],
"preferred_qualifications": "有沙盒/容器化/评测平台经验优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100022955054"
}
]
},
"posting": {
"posting_id": "100022955054",
"post_date": "2026-06-26",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100022955054"
},
"fulltext": "阿里国际站-Agent模型评测工程师-杭州\n阿里国际站-Agent模型评测工程师-杭州\n\n基础信息\n职位类别：技术类-算法\n工作地点：杭州\n\n职位描述\n我们正在围绕 阿里巴巴国际站 + Accio 打造面向真实全球贸易场景的 AI Agent。\n这不是传统聊天机器人评测岗位，而是要定义：一个 Agent 在真实商业世界里，是否真的会做事。\n你会做什么\n1. 设计面向跨境贸易场景的 Agent 评测体系，覆盖任务理解、规划、多语言、幻觉控制、工具调用、任务完成率、时延/稳定性/成本等。\n2. 构建高质量业务 benchmark，覆盖询盘、RFQ、Research、商家经营、海关/征信/物流等真实任务。\n3. 搭建 Agent / Tool Use / Browser Use 评测环境，支持多步任务复现、链路追踪和结果校验。\n4. 建设自动化评测能力，包括 LLM-as-Judge、对比评分、多维量表、端到端 success metric。\n5. 输出 bad case 归因、能力雷达图和优化建议，推动模型训练与产品迭代闭环。\n\n职位要求\n1. 3年以上大模型评测、Agent评测、算法工程或AI产品体验相关经验。\n2. 主导过至少一个端到端评测体系。\n3. 熟悉多轮对话、幻觉、指令遵循、工具调用、多步任务评测方法。\n4. 熟练 Python；有沙盒/容器化/评测平台经验优先。\n5. 能从真实业务场景定义模型好坏，而不是只看 benchmark 分数。\n6. 了解 SFT / RLHF / Eval 链路，有 LLM-as-Judge 或自动化评分经验更佳。\n我们正在围绕 阿里巴巴国际站 + Accio 打造面向真实全球贸易场景的 AI Agent。\n这不是传统聊天机器人评测岗位，而是要定义：一个 Agent 在真实商业世界里，是否真的会做事。\n你会做什么\n1. 设计面向跨境贸易场景的 Agent 评测体系，覆盖任务理解、规划、多语言、幻觉控制、工具调用、任务完成率、时延/稳定性/成本等。\n2. 构建高质量业务 benchmark，覆盖询盘、RFQ、Research、商家经营、海关/征信/物流等真实任务。\n3. 搭建 Agent / Tool Use / Browser Use 评测环境，支持多步任务复现、链路追踪和结果校验。\n4. 建设自动化评测能力，包括 LLM-as-Judge、对比评分、多维量表、端到端 success metric。\n5. 输出 bad case 归因、能力雷达图和优化建议，推动模型训练与产品迭代闭环。\n1. 3年以上大模型评测、Agent评测、算法工程或AI产品体验相关经验。\n2. 主导过至少一个端到端评测体系。\n3. 熟悉多轮对话、幻觉、指令遵循、工具调用、多步任务评测方法。\n4. 熟练 Python；有沙盒/容器化/评测平台经验优先。\n5. 能从真实业务场景定义模型好坏，而不是只看 benchmark 分数。\n6. 了解 SFT / RLHF / Eval 链路，有 LLM-as-Judge 或自动化评分经验更佳。",
"standard_classification": {
"std_category_code": "T015",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}