主分类：平台与开发者产品经理
辅助：Agent 产品经理（仅展示）
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": "高德-ToB Agent 平台产品专家-Harness 方向",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "产品类-平台型"AI生成
},
"company": {
"company_name": "高德",
"company_industry": "数字地图 / 导航服务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "高德提供电子地图和导航服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "岗位使命：\n我们要找的是to B agent harness产品。对外把底座封装成客户三行代码就能接入的 SDK 与控制台，对内把 Agent 的智能水平变成能跑数、能回归的评测闭环，同时你自己就是这条链路的项目推进人——排期、卡点、验收全都归你。\n职责配比：ToB Harness 产品 55%，Agent 平台产品 30%，项目推进 15%。\n岗位职责：\n1. 定义 ToB Harness 产品：把一套底座切成客户能选的能力档位\n收敛 runtime 的配置维度（模型、harness、工具、Skill、卡片样式），对外只暴露档位与少量参数，不暴露内部复杂度。\n设计能力分档策略：每档要给出延迟、成本、智能度的明确三角，以及哪些请求会被降级、哪些会被直接拒绝。\n按客户形态拆接入方案：有屏车机、无屏 AIoT 设备、第三方 App 内嵌助手，各自的接入路径与兜底逻辑要分别定义。\n定义对外返回结构与计费口径：卖结论、卡片与引用来源，不卖裸数据；按量阶梯计费而非包月。\n每份方案配一份客户视角的接入演练，包含真实 API 调用示例、失败态处理和能力边界声明。\n2. 建设 Agent 平台产品：让 Agent 的生产与准入变成流水线\n负责 Agent 的创建、配置装配，以及外部工具与 Skill 的引入与治理。\n工具与 Skill 的准入审计：schema 与实际注册实现是否同步（不同步会产出模型看得见但调不通的幻影工具）；工具返回的凭据字段在上下文裁剪后是否还在（丢了会导致同一个目标被重复召回）；第三方 Skill 的字段语义是否与本平台一致（同一个 allowed-tools 字段，在有的框架里是权限白名单，在有的框架里是增量召回清单，语义相反）。\n上下文工程治理：拆清单请求里 system prompt、tools schema、对话历史各占多少 token，识别哪部分是固定开销，在裁剪率与召回质量之间给出明确取舍，不靠感觉调。\n3. 构建评测闭环：用任务完成率而不是格式合法率驱动迭代\n设计细粒度评测集，多个指标分开看、不做加权合成，红线项单独判定。\n核心指标是任务完成率与任务满足率。\"格式合法地终结了对话\"不算完成。\n推动实验有效的策略固化为生产能力，并持续监控线上表现。\n4. 推进项目落地：每阶段有可验收产物，卡点显性化\n按三阶段节奏推进——底座打通、SDK 与控制台上线、规模化复制，每阶段的验收标准提前写死。\n维护 Owner 表与卡点表。周会只过两件事：本周动了什么、被谁卡住，不做进度美化。\n客户交付走项目制：需求分级、变更控制、上线后监控与迭代排期。并行管理 3 个以上客户与 2 个以上内部团队时，排期不失控、卡点能及时上升。",
"requirements_text": "1、懂 Agent 运行时原理\n有 ToB 产品交付经验，SDK、开放平台、开发者控制台任一方向，能独立写出客户看得懂的接入文档与能力边界说明。\n2、能自己动手验证假设\n熟练用 Python 配合 AI 编程助手写评测脚本、解析 trace、跑 prompt 回归、搭 mock 与 record-replay 环境，不靠等别人排期。\n3、有数据品味\n拿到一个 bad case 能判断根因落在哪一层：prompt 写法、工具 schema、召回数据，还是评测环境本身不可控。\n4、双向翻译能力\n对工程讲清要改哪个模块，对客户讲清能力边界在哪、这个需求为什么现在做不了。\n5、计算机、人工智能或相关专业背景，3 年以上 AI 产品或平台产品经验。\n加分项：\n1、做过评测平台、harness 层或 Agent 编排框架。\n2、熟悉 Skill 与 MCP 工具生态，能判断外部能力的准入风险。\n3、有车企或 IoT 设备客户的交付经验。\n4、从 0 到 1 建过开放平台或开发者控制台，并在其中承担核心产品决策。\n5、熟悉主流开源与闭源模型的能力差异，做过多模型路由策略。",
"skills": [AI生成
"Python"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.amap.com/off-campus/position-detail?positionId=100034660003"
}
]
},
"posting": {
"posting_id": "100034660003",
"post_date": "2026-09-03",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.amap.com/off-campus/position-detail?positionId=100034660003"
},
"fulltext": "高德-ToB Agent 平台产品专家-Harness 方向\n高德-ToB Agent 平台产品专家-Harness 方向\n\n基础信息\n职位类别：产品类-平台型\n工作地点：北京\n\n职位描述\n岗位使命：\n我们要找的是to B agent harness产品。对外把底座封装成客户三行代码就能接入的 SDK 与控制台，对内把 Agent 的智能水平变成能跑数、能回归的评测闭环，同时你自己就是这条链路的项目推进人——排期、卡点、验收全都归你。\n职责配比：ToB Harness 产品 55%，Agent 平台产品 30%，项目推进 15%。\n岗位职责：\n1. 定义 ToB Harness 产品：把一套底座切成客户能选的能力档位\n收敛 runtime 的配置维度（模型、harness、工具、Skill、卡片样式），对外只暴露档位与少量参数，不暴露内部复杂度。\n设计能力分档策略：每档要给出延迟、成本、智能度的明确三角，以及哪些请求会被降级、哪些会被直接拒绝。\n按客户形态拆接入方案：有屏车机、无屏 AIoT 设备、第三方 App 内嵌助手，各自的接入路径与兜底逻辑要分别定义。\n定义对外返回结构与计费口径：卖结论、卡片与引用来源，不卖裸数据；按量阶梯计费而非包月。\n每份方案配一份客户视角的接入演练，包含真实 API 调用示例、失败态处理和能力边界声明。\n2. 建设 Agent 平台产品：让 Agent 的生产与准入变成流水线\n负责 Agent 的创建、配置装配，以及外部工具与 Skill 的引入与治理。\n工具与 Skill 的准入审计：schema 与实际注册实现是否同步（不同步会产出模型看得见但调不通的幻影工具）；工具返回的凭据字段在上下文裁剪后是否还在（丢了会导致同一个目标被重复召回）；第三方 Skill 的字段语义是否与本平台一致（同一个 allowed-tools 字段，在有的框架里是权限白名单，在有的框架里是增量召回清单，语义相反）。\n上下文工程治理：拆清单请求里 system prompt、tools schema、对话历史各占多少 token，识别哪部分是固定开销，在裁剪率与召回质量之间给出明确取舍，不靠感觉调。\n3. 构建评测闭环：用任务完成率而不是格式合法率驱动迭代\n设计细粒度评测集，多个指标分开看、不做加权合成，红线项单独判定。\n核心指标是任务完成率与任务满足率。\"格式合法地终结了对话\"不算完成。\n推动实验有效的策略固化为生产能力，并持续监控线上表现。\n4. 推进项目落地：每阶段有可验收产物，卡点显性化\n按三阶段节奏推进——底座打通、SDK 与控制台上线、规模化复制，每阶段的验收标准提前写死。\n维护 Owner 表与卡点表。周会只过两件事：本周动了什么、被谁卡住，不做进度美化。\n客户交付走项目制：需求分级、变更控制、上线后监控与迭代排期。并行管理 3 个以上客户与 2 个以上内部团队时，排期不失控、卡点能及时上升。\n\n职位要求\n1、懂 Agent 运行时原理\n有 ToB 产品交付经验，SDK、开放平台、开发者控制台任一方向，能独立写出客户看得懂的接入文档与能力边界说明。\n2、能自己动手验证假设\n熟练用 Python 配合 AI 编程助手写评测脚本、解析 trace、跑 prompt 回归、搭 mock 与 record-replay 环境，不靠等别人排期。\n3、有数据品味\n拿到一个 bad case 能判断根因落在哪一层：prompt 写法、工具 schema、召回数据，还是评测环境本身不可控。\n4、双向翻译能力\n对工程讲清要改哪个模块，对客户讲清能力边界在哪、这个需求为什么现在做不了。\n5、计算机、人工智能或相关专业背景，3 年以上 AI 产品或平台产品经验。\n加分项：\n1、做过评测平台、harness 层或 Agent 编排框架。\n2、熟悉 Skill 与 MCP 工具生态，能判断外部能力的准入风险。\n3、有车企或 IoT 设备客户的交付经验。\n4、从 0 到 1 建过开放平台或开发者控制台，并在其中承担核心产品决策。\n5、熟悉主流开源与闭源模型的能力差异，做过多模型路由策略。\n岗位使命：\n我们要找的是to B agent harness产品。对外把底座封装成客户三行代码就能接入的 SDK 与控制台，对内把 Agent 的智能水平变成能跑数、能回归的评测闭环，同时你自己就是这条链路的项目推进人——排期、卡点、验收全都归你。\n职责配比：ToB Harness 产品 55%，Agent 平台产品 30%，项目推进 15%。\n岗位职责：\n1. 定义 ToB Harness 产品：把一套底座切成客户能选的能力档位\n收敛 runtime 的配置维度（模型、harness、工具、Skill、卡片样式），对外只暴露档位与少量参数，不暴露内部复杂度。\n设计能力分档策略：每档要给出延迟、成本、智能度的明确三角，以及哪些请求会被降级、哪些会被直接拒绝。\n按客户形态拆接入方案：有屏车机、无屏 AIoT 设备、第三方 App 内嵌助手，各自的接入路径与兜底逻辑要分别定义。\n定义对外返回结构与计费口径：卖结论、卡片与引用来源，不卖裸数据；按量阶梯计费而非包月。\n每份方案配一份客户视角的接入演练，包含真实 API 调用示例、失败态处理和能力边界声明。\n2. 建设 Agent 平台产品：让 Agent 的生产与准入变成流水线\n负责 Agent 的创建、配置装配，以及外部工具与 Skill 的引入与治理。\n工具与 Skill 的准入审计：schema 与实际注册实现是否同步（不同步会产出模型看得见但调不通的幻影工具）；工具返回的凭据字段在上下文裁剪后是否还在（丢了会导致同一个目标被重复召回）；第三方 Skill 的字段语义是否与本平台一致（同一个 allowed-tools 字段，在有的框架里是权限白名单，在有的框架里是增量召回清单，语义相反）。\n上下文工程治理：拆清单请求里 system prompt、tools schema、对话历史各占多少 token，识别哪部分是固定开销，在裁剪率与召回质量之间给出明确取舍，不靠感觉调。\n3. 构建评测闭环：用任务完成率而不是格式合法率驱动迭代\n设计细粒度评测集，多个指标分开看、不做加权合成，红线项单独判定。\n核心指标是任务完成率与任务满足率。\"格式合法地终结了对话\"不算完成。\n推动实验有效的策略固化为生产能力，并持续监控线上表现。\n4. 推进项目落地：每阶段有可验收产物，卡点显性化\n按三阶段节奏推进——底座打通、SDK 与控制台上线、规模化复制，每阶段的验收标准提前写死。\n维护 Owner 表与卡点表。周会只过两件事：本周动了什么、被谁卡住，不做进度美化。\n客户交付走项目制：需求分级、变更控制、上线后监控与迭代排期。并行管理 3 个以上客户与 2 个以上内部团队时，排期不失控、卡点能及时上升。\n1、懂 Agent 运行时原理\n有 ToB 产品交付经验，SDK、开放平台、开发者控制台任一方向，能独立写出客户看得懂的接入文档与能力边界说明。\n2、能自己动手验证假设\n熟练用 Python 配合 AI 编程助手写评测脚本、解析 trace、跑 prompt 回归、搭 mock 与 record-replay 环境，不靠等别人排期。\n3、有数据品味\n拿到一个 bad case 能判断根因落在哪一层：prompt 写法、工具 schema、召回数据，还是评测环境本身不可控。\n4、双向翻译能力\n对工程讲清要改哪个模块，对客户讲清能力边界在哪、这个需求为什么现在做不了。\n5、计算机、人工智能或相关专业背景，3 年以上 AI 产品或平台产品经验。\n加分项：\n1、做过评测平台、harness 层或 Agent 编排框架。\n2、熟悉 Skill 与 MCP 工具生态，能判断外部能力的准入风险。\n3、有车企或 IoT 设备客户的交付经验。\n4、从 0 到 1 建过开放平台或开发者控制台，并在其中承担核心产品决策。\n5、熟悉主流开源与闭源模型的能力差异，做过多模型路由策略。",
"standard_classification": {
"std_category_code": "PM005",
"std_aux_codes": [
"PM004"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}