主分类：Agent系统开发
辅助：AI模型评测工程（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-AI Agent Tech Lead-Agent",
"job_level": "未披露",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": "技术类-算法"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": 10,
"degree": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.技术战略与路线决策 (Technical Strategy & Roadmap)\n定义 Agentic AI 业务的整体技术演进路线，对技术选型的前瞻性与落地性同时负责。\n主导核心技术路线的战略级取舍，避免因归因错误导致的规模化资源浪费。\n与业务及产品负责人共同定义技术目标与节奏，确保投入与业务北极星指标强对齐。\n2.Agent 质量体系与评测飞轮 (Quality System & Eval Flywheel)\n对线上 Agent 的端到端质量直接负责。建立系统级的 Agent 标准，让\"好不好\"成为可度量、可归因、可迭代的工程问题。\n构建从数据清洗、Bad Case 挖掘、评测执行到修复上线的自动化闭环飞轮，持续压缩问题发现到修复的周期。\n解决离线评测与线上体验的错位问题，建立离线 Eval、在线指标与人工抽检三者互相校准的质量体系。\n3.平台化与基础设施 (Platform & AgentOps)\n统筹 Agent Infra & Platform 建设，包括 Agent 框架、Eval 平台、Sandbox、可观测性 (Observability) 以及统一的工具调用 (Tool-use) 能力。\n主导 Context Engine 的架构演进：RAG、Memory、上下文组织与数据供给，确保 Agent 在真实业务数据上的准确性与新鲜度。\n对平台建设保持克制与判断力，清楚区分\"应该沉淀为平台的共性能力\"与\"应该留在业务侧快速迭代的能力\"，以平台采用率而非平台数量作为衡量标准。\n4.工程效率与成本经营 (Engineering Efficiency & FinOps)\n对单位任务成本、推理效率与资源利用率负责，将成本能力建设为业务的结构性优势而非事后补救。\n主导 Agent Ops、FinOps 与资源调度体系建设，把成本账算到可归因的粒度，支撑技术决策与商业化定价。\n持续投入研发效率工具与工程基建，让团队的产出效率随规模增长而不是被规模稀释。\n5.应用交付与端到端体验 (Applied AI & Delivery)\n统筹 Applied AI 与产品功能的交付，对从模型能力到用户手中体验的完整链路负责。\n在不确定性极高的底层模型之上，交付具备生产力级别稳定性的用户体验：定义 Agent 的自主权边界、错误恢复机制与人机协作范式的工程实现。\n建立跨方向的联合作战机制，避免 Infra、Applied AI、Context 各自为战，确保同一个质量问题有统一的归因和裁决路径。\n6.组织建设与人才培养 (Org Building & Leadership)\n带领团队下多个技术方向，搭建下一层组织人才，定义技术标准与人才梯队。\n打造兼具工程师文化与良好 AI 技术直觉的复合型团队，让工程与算法能够在同一套语言体系下决策。\n在高速迭代、充满不确定性的 AI 浪潮中保持团队的战略定力，建立容错、鼓励验证、以结果为准的技术文化",
"requirements_text": "10 年以上研发经验，带过 50 人以上工程团队，具备多级管理经验。\n有完整的 LLM / Agent 产品从原型到生产、并对线上质量长期负责的经历。不是只做过平台，也不是只做过模型。\n具备大规模分布式系统或平台建设背景，理解成本结构，能够基于真实账单和资源数据做决策",
"skills": [AI生成
"分布式系统",
"大语言模型"
],
"preferred_qualifications": "未披露",
"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=100037440001"
}
]
},
"posting": {
"posting_id": "100037440001",
"post_date": "2026-09-08",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.amap.com/off-campus/position-detail?positionId=100037440001"
},
"fulltext": "高德-AI Agent Tech Lead-Agent\n高德-AI Agent Tech Lead-Agent\n\n基础信息\n职位类别：技术类-算法\n工作地点：北京\n\n职位描述\n1.技术战略与路线决策 (Technical Strategy & Roadmap)\n定义 Agentic AI 业务的整体技术演进路线，对技术选型的前瞻性与落地性同时负责。\n主导核心技术路线的战略级取舍，避免因归因错误导致的规模化资源浪费。\n与业务及产品负责人共同定义技术目标与节奏，确保投入与业务北极星指标强对齐。\n2.Agent 质量体系与评测飞轮 (Quality System & Eval Flywheel)\n对线上 Agent 的端到端质量直接负责。建立系统级的 Agent 标准，让\"好不好\"成为可度量、可归因、可迭代的工程问题。\n构建从数据清洗、Bad Case 挖掘、评测执行到修复上线的自动化闭环飞轮，持续压缩问题发现到修复的周期。\n解决离线评测与线上体验的错位问题，建立离线 Eval、在线指标与人工抽检三者互相校准的质量体系。\n3.平台化与基础设施 (Platform & AgentOps)\n统筹 Agent Infra & Platform 建设，包括 Agent 框架、Eval 平台、Sandbox、可观测性 (Observability) 以及统一的工具调用 (Tool-use) 能力。\n主导 Context Engine 的架构演进：RAG、Memory、上下文组织与数据供给，确保 Agent 在真实业务数据上的准确性与新鲜度。\n对平台建设保持克制与判断力，清楚区分\"应该沉淀为平台的共性能力\"与\"应该留在业务侧快速迭代的能力\"，以平台采用率而非平台数量作为衡量标准。\n4.工程效率与成本经营 (Engineering Efficiency & FinOps)\n对单位任务成本、推理效率与资源利用率负责，将成本能力建设为业务的结构性优势而非事后补救。\n主导 Agent Ops、FinOps 与资源调度体系建设，把成本账算到可归因的粒度，支撑技术决策与商业化定价。\n持续投入研发效率工具与工程基建，让团队的产出效率随规模增长而不是被规模稀释。\n5.应用交付与端到端体验 (Applied AI & Delivery)\n统筹 Applied AI 与产品功能的交付，对从模型能力到用户手中体验的完整链路负责。\n在不确定性极高的底层模型之上，交付具备生产力级别稳定性的用户体验：定义 Agent 的自主权边界、错误恢复机制与人机协作范式的工程实现。\n建立跨方向的联合作战机制，避免 Infra、Applied AI、Context 各自为战，确保同一个质量问题有统一的归因和裁决路径。\n6.组织建设与人才培养 (Org Building & Leadership)\n带领团队下多个技术方向，搭建下一层组织人才，定义技术标准与人才梯队。\n打造兼具工程师文化与良好 AI 技术直觉的复合型团队，让工程与算法能够在同一套语言体系下决策。\n在高速迭代、充满不确定性的 AI 浪潮中保持团队的战略定力，建立容错、鼓励验证、以结果为准的技术文化\n\n职位要求\n10 年以上研发经验，带过 50 人以上工程团队，具备多级管理经验。\n有完整的 LLM / Agent 产品从原型到生产、并对线上质量长期负责的经历。不是只做过平台，也不是只做过模型。\n具备大规模分布式系统或平台建设背景，理解成本结构，能够基于真实账单和资源数据做决策\n1.技术战略与路线决策 (Technical Strategy & Roadmap)\n定义 Agentic AI 业务的整体技术演进路线，对技术选型的前瞻性与落地性同时负责。\n主导核心技术路线的战略级取舍，避免因归因错误导致的规模化资源浪费。\n与业务及产品负责人共同定义技术目标与节奏，确保投入与业务北极星指标强对齐。\n2.Agent 质量体系与评测飞轮 (Quality System & Eval Flywheel)\n对线上 Agent 的端到端质量直接负责。建立系统级的 Agent 标准，让\"好不好\"成为可度量、可归因、可迭代的工程问题。\n构建从数据清洗、Bad Case 挖掘、评测执行到修复上线的自动化闭环飞轮，持续压缩问题发现到修复的周期。\n解决离线评测与线上体验的错位问题，建立离线 Eval、在线指标与人工抽检三者互相校准的质量体系。\n3.平台化与基础设施 (Platform & AgentOps)\n统筹 Agent Infra & Platform 建设，包括 Agent 框架、Eval 平台、Sandbox、可观测性 (Observability) 以及统一的工具调用 (Tool-use) 能力。\n主导 Context Engine 的架构演进：RAG、Memory、上下文组织与数据供给，确保 Agent 在真实业务数据上的准确性与新鲜度。\n对平台建设保持克制与判断力，清楚区分\"应该沉淀为平台的共性能力\"与\"应该留在业务侧快速迭代的能力\"，以平台采用率而非平台数量作为衡量标准。\n4.工程效率与成本经营 (Engineering Efficiency & FinOps)\n对单位任务成本、推理效率与资源利用率负责，将成本能力建设为业务的结构性优势而非事后补救。\n主导 Agent Ops、FinOps 与资源调度体系建设，把成本账算到可归因的粒度，支撑技术决策与商业化定价。\n持续投入研发效率工具与工程基建，让团队的产出效率随规模增长而不是被规模稀释。\n5.应用交付与端到端体验 (Applied AI & Delivery)\n统筹 Applied AI 与产品功能的交付，对从模型能力到用户手中体验的完整链路负责。\n在不确定性极高的底层模型之上，交付具备生产力级别稳定性的用户体验：定义 Agent 的自主权边界、错误恢复机制与人机协作范式的工程实现。\n建立跨方向的联合作战机制，避免 Infra、Applied AI、Context 各自为战，确保同一个质量问题有统一的归因和裁决路径。\n6.组织建设与人才培养 (Org Building & Leadership)\n带领团队下多个技术方向，搭建下一层组织人才，定义技术标准与人才梯队。\n打造兼具工程师文化与良好 AI 技术直觉的复合型团队，让工程与算法能够在同一套语言体系下决策。\n在高速迭代、充满不确定性的 AI 浪潮中保持团队的战略定力，建立容错、鼓励验证、以结果为准的技术文化\n10 年以上研发经验，带过 50 人以上工程团队，具备多级管理经验。\n有完整的 LLM / Agent 产品从原型到生产、并对线上质量长期负责的经历。不是只做过平台，也不是只做过模型。\n具备大规模分布式系统或平台建设背景，理解成本结构，能够基于真实账单和资源数据做决策",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T015"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}