{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "软件开发工程师（AI Native Infra方向）",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "核心本地商业-基础研发平台",
        "location": "北京市",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "美团",
        "company_industry": "科技零售 / 生活服务",
        "company_size": "10000人以上",
        "company_website": "meituan.com",
        "company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 3,
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "我们正在推动 Infra 软件生产方式的 AI Native 转型：从提升单个工程师效率的 AI Coding Loop 出发，逐步建设覆盖需求理解、研发交付、客户服务和生产运维的 AI Software Factory。\n\n你将参与并推动以下工作：\n\n1. 建设 AI Coding Loop。将 Agent 应用于需求理解、任务规划、代码实现、自动化测试、代码审查和交付验证等环节，形成规划、实现、验证、反馈、迭代的研发闭环，将 Agent 深度应用在软件研发的工作流程中。\n\n2. 建设 AI Software Factory 的核心能力。把个人使用 AI 的经验沉淀为团队可复用的平台能力，包括上下文工程、知识与记忆、工具与 Skill、Agent Harness、任务编排、执行沙箱、质量门禁、权限控制和可观测性等，持续提升软件生产的自动化程度与交付质量。\n\n3. 推动 Infra 组件和平台 AI Native 化。选择真实、高价值的云计算业务场景，重新设计产品能力和工程流程，使系统具备能够理解用户意图、调用工具、执行操作并验证结果和持续改进的能力，而不是简单增加一个 AI 入口。\n\n4. 建设智能客户服务闭环。面向云产品客户服务场景，建设能够理解诉求、定位问题、调用工具并完成处理的智能服务能力，推动客服Agent从回答问题升级到解决用户问题。\n\n5. 建设智能运维闭环。打通指标、日志、调用链、告警、配置和变更数据，使 Agent 能够发现异常、分析影响、定位根因、生成或执行处置方案，并在权限、审批和审计边界内完成验证与恢复。\n\n6. 建设贯穿研发、发布和运行阶段的 Eval 与反馈体系。将客服、研发、运维等真实场景的任务与 Bad Case 转化为可复现、可度量的评测集，从质量、效率、成本、稳定性和风险等维度评估 Model、Agent、Skill 与 Harness，让评测结果真正进入技术选型、版本准入和产品迭代闭环。\n\n7. 探索 AI Native 工程方法。持续研究模型和 Agent 的能力边界，通过原型、实验和真实项目验证新方法，并将有效实践沉淀为工具、平台能力和团队工程标准。",
        "requirements_text": "1. 3 年以上软件工程经验，具备良好的系统设计、编码、调试和交付能力；熟悉 Python、Go、Java、TypeScript/JavaScript 中至少一门语言。\n\n2. 具备较强的端到端工程能力，能够独立从模糊问题出发完成需求澄清、方案设计、实现、验证和上线。\n\n3. 具备真实的 AI 驾驭能力，能够根据任务选择模型和工具，设计有效上下文与工作流程，拆解复杂任务，约束 Agent 行为，并通过测试、评测和反馈持续提高结果可靠性。\n\n4. 深度使用过 Codex、Claude Code、Cursor 等 AI Coding Agent，能够清楚说明 AI 在其中完成了什么、如何验证结果，以及失败时如何改进。\n\n5. 理解 LLM 与 Agent 的基本原理和能力边界，熟悉 Prompt、Context Engineering、Tool Calling、RAG、Memory、Harness、Eval、幻觉与不确定性等概念。\n\n6. 重视工程验证，能够通过测试、日志、指标、回归和实验数据判断结果，而不是完全依赖AI输出的结果。\n\n7. 具备较强的产品意识和抽象能力，能够从具体项目中识别通用问题，并将可复用的方案沉淀为工具或平台能力。\n\n8. 对 AI 驱动的软件生产方式有持续兴趣，愿意主动学习、快速实验，并对结果负责。",
        "skills": [AI生成
            "Python",
            "JavaScript",
            "TypeScript",
            "Java",
            "可靠性",
            "Go",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "未披露",
        "job_highlights": "这不是一个传统的软件开发岗位，而是一次对 Infra 软件生产与服务方式的系统性AI Native重构。\n\n你将获得：\n\n1. 真实而复杂的场景：直接面对云平台研发、客户服务和生产运维中的真实问题，提供AI Native解决方案。\n\n2. 参与建设完整的研发工程链路：从 AI Coding Loop 的一线实践，到 Agent 基础设施、平台能力和 AI Software Factory 的体系化建设。\n\n3. 足够大的技术空间：模型、Context、Skill、Harness、Eval、沙箱、权限、可观"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4774029886&jobShareType=1"
            }
        ]
    },
    "posting": {
        "posting_id": "4774029886",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4774029886&jobShareType=1"
    },
    "fulltext": "软件开发工程师（AI Native Infra方向）\n软件开发工程师（AI Native Infra方向）\n\n基础信息\n工作地点：北京市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：软件\n更新时间：2026-09-16\n\n岗位职责\n我们正在推动 Infra 软件生产方式的 AI Native 转型：从提升单个工程师效率的 AI Coding Loop 出发，逐步建设覆盖需求理解、研发交付、客户服务和生产运维的 AI Software Factory。\n\n你将参与并推动以下工作：\n\n1. 建设 AI Coding Loop。将 Agent 应用于需求理解、任务规划、代码实现、自动化测试、代码审查和交付验证等环节，形成规划、实现、验证、反馈、迭代的研发闭环，将 Agent 深度应用在软件研发的工作流程中。\n\n2. 建设 AI Software Factory 的核心能力。把个人使用 AI 的经验沉淀为团队可复用的平台能力，包括上下文工程、知识与记忆、工具与 Skill、Agent Harness、任务编排、执行沙箱、质量门禁、权限控制和可观测性等，持续提升软件生产的自动化程度与交付质量。\n\n3. 推动 Infra 组件和平台 AI Native 化。选择真实、高价值的云计算业务场景，重新设计产品能力和工程流程，使系统具备能够理解用户意图、调用工具、执行操作并验证结果和持续改进的能力，而不是简单增加一个 AI 入口。\n\n4. 建设智能客户服务闭环。面向云产品客户服务场景，建设能够理解诉求、定位问题、调用工具并完成处理的智能服务能力，推动客服Agent从回答问题升级到解决用户问题。\n\n5. 建设智能运维闭环。打通指标、日志、调用链、告警、配置和变更数据，使 Agent 能够发现异常、分析影响、定位根因、生成或执行处置方案，并在权限、审批和审计边界内完成验证与恢复。\n\n6. 建设贯穿研发、发布和运行阶段的 Eval 与反馈体系。将客服、研发、运维等真实场景的任务与 Bad Case 转化为可复现、可度量的评测集，从质量、效率、成本、稳定性和风险等维度评估 Model、Agent、Skill 与 Harness，让评测结果真正进入技术选型、版本准入和产品迭代闭环。\n\n7. 探索 AI Native 工程方法。持续研究模型和 Agent 的能力边界，通过原型、实验和真实项目验证新方法，并将有效实践沉淀为工具、平台能力和团队工程标准。\n\n岗位基本要求\n1. 3 年以上软件工程经验，具备良好的系统设计、编码、调试和交付能力；熟悉 Python、Go、Java、TypeScript/JavaScript 中至少一门语言。\n\n2. 具备较强的端到端工程能力，能够独立从模糊问题出发完成需求澄清、方案设计、实现、验证和上线。\n\n3. 具备真实的 AI 驾驭能力，能够根据任务选择模型和工具，设计有效上下文与工作流程，拆解复杂任务，约束 Agent 行为，并通过测试、评测和反馈持续提高结果可靠性。\n\n4. 深度使用过 Codex、Claude Code、Cursor 等 AI Coding Agent，能够清楚说明 AI 在其中完成了什么、如何验证结果，以及失败时如何改进。\n\n5. 理解 LLM 与 Agent 的基本原理和能力边界，熟悉 Prompt、Context Engineering、Tool Calling、RAG、Memory、Harness、Eval、幻觉与不确定性等概念。\n\n6. 重视工程验证，能够通过测试、日志、指标、回归和实验数据判断结果，而不是完全依赖AI输出的结果。\n\n7. 具备较强的产品意识和抽象能力，能够从具体项目中识别通用问题，并将可复用的方案沉淀为工具或平台能力。\n\n8. 对 AI 驱动的软件生产方式有持续兴趣，愿意主动学习、快速实验，并对结果负责。\n\n岗位亮点\n这不是一个传统的软件开发岗位，而是一次对 Infra 软件生产与服务方式的系统性AI Native重构。\n\n你将获得：\n\n1. 真实而复杂的场景：直接面对云平台研发、客户服务和生产运维中的真实问题，提供AI Native解决方案。\n\n2. 参与建设完整的研发工程链路：从 AI Coding Loop 的一线实践，到 Agent 基础设施、平台能力和 AI Software Factory 的体系化建设。\n\n3. 足够大的技术空间：模型、Context、Skill、Harness、Eval、沙箱、权限、可观测性和人机协作机制都处于快速演进阶段。\n\n4. 直接产生影响的机会：你的工作将改变团队开发软件、服务客户和保障生产系统的方式。\n\n5. 面向未来的工程经验：与团队共同探索 AI 时代软件工程师、Agent 与工程平台之间新的分工和协作模式。\n\n我们希望你不止会用 AI，更能从真实问题出发，组织上下文、模型与工具，用验证闭环对结果负责，并将有效实践沉淀为团队可复用的工程能力。\n我们正在推动 Infra 软件生产方式的 AI Native 转型：从提升单个工程师效率的 AI Coding Loop 出发，逐步建设覆盖需求理解、研发交付、客户服务和生产运维的 AI Software Factory。\n\n你将参与并推动以下工作：\n\n1. 建设 AI Coding Loop。将 Agent 应用于需求理解、任务规划、代码实现、自动化测试、代码审查和交付验证等环节，形成规划、实现、验证、反馈、迭代的研发闭环，将 Agent 深度应用在软件研发的工作流程中。\n\n2. 建设 AI Software Factory 的核心能力。把个人使用 AI 的经验沉淀为团队可复用的平台能力，包括上下文工程、知识与记忆、工具与 Skill、Agent Harness、任务编排、执行沙箱、质量门禁、权限控制和可观测性等，持续提升软件生产的自动化程度与交付质量。\n\n3. 推动 Infra 组件和平台 AI Native 化。选择真实、高价值的云计算业务场景，重新设计产品能力和工程流程，使系统具备能够理解用户意图、调用工具、执行操作并验证结果和持续改进的能力，而不是简单增加一个 AI 入口。\n\n4. 建设智能客户服务闭环。面向云产品客户服务场景，建设能够理解诉求、定位问题、调用工具并完成处理的智能服务能力，推动客服Agent从回答问题升级到解决用户问题。\n\n5. 建设智能运维闭环。打通指标、日志、调用链、告警、配置和变更数据，使 Agent 能够发现异常、分析影响、定位根因、生成或执行处置方案，并在权限、审批和审计边界内完成验证与恢复。\n\n6. 建设贯穿研发、发布和运行阶段的 Eval 与反馈体系。将客服、研发、运维等真实场景的任务与 Bad Case 转化为可复现、可度量的评测集，从质量、效率、成本、稳定性和风险等维度评估 Model、Agent、Skill 与 Harness，让评测结果真正进入技术选型、版本准入和产品迭代闭环。\n\n7. 探索 AI Native 工程方法。持续研究模型和 Agent 的能力边界，通过原型、实验和真实项目验证新方法，并将有效实践沉淀为工具、平台能力和团队工程标准。\n1. 3 年以上软件工程经验，具备良好的系统设计、编码、调试和交付能力；熟悉 Python、Go、Java、TypeScript/JavaScript 中至少一门语言。\n\n2. 具备较强的端到端工程能力，能够独立从模糊问题出发完成需求澄清、方案设计、实现、验证和上线。\n\n3. 具备真实的 AI 驾驭能力，能够根据任务选择模型和工具，设计有效上下文与工作流程，拆解复杂任务，约束 Agent 行为，并通过测试、评测和反馈持续提高结果可靠性。\n\n4. 深度使用过 Codex、Claude Code、Cursor 等 AI Coding Agent，能够清楚说明 AI 在其中完成了什么、如何验证结果，以及失败时如何改进。\n\n5. 理解 LLM 与 Agent 的基本原理和能力边界，熟悉 Prompt、Context Engineering、Tool Calling、RAG、Memory、Harness、Eval、幻觉与不确定性等概念。\n\n6. 重视工程验证，能够通过测试、日志、指标、回归和实验数据判断结果，而不是完全依赖AI输出的结果。\n\n7. 具备较强的产品意识和抽象能力，能够从具体项目中识别通用问题，并将可复用的方案沉淀为工具或平台能力。\n\n8. 对 AI 驱动的软件生产方式有持续兴趣，愿意主动学习、快速实验，并对结果负责。",
    "standard_classification": {
        "std_category_code": "T009",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}