{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "Agent Harness 研究实习生",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "未披露",
        "location": "北京·海淀区·五道口",
        "work_mode": "现场办公",AI生成
        "job_category": "AI应用软件工程师"AI生成
    },
    "company": {
        "company_name": "QVeris AI",
        "company_industry": "人工智能",
        "company_size": "0-20人",
        "company_website": "未披露",
        "company_description": "QVeris AI 是一家面向 AI Agent 的基础设施公司，正在构建 Agent 连接外部世界的 Data & Tool Harness。我们的目标是让大模型和智能体能够在真实业务环境中，高效发现外部数据源、工具 API 和服务能力，理解它们的适用场景、输入输出、覆盖范围、实时性、成功率、成本和风险，并完成稳定、可观测、可自修复的调用。\n这不是传统的 RAG 应用，也不是简单的 API 聚合。我们正在解决一个更底层的问题：当 Agent 面对成千上万的数据与工具能力时，如何知道该用什么、如何正确调用、如何判断结果是否可信、如何从失败中恢复，以及如何基于历史调用轨迹持续自我优化。\n当前我们重点建设 Data & Tool Search、Capability Profile、Agent Harness、Agent Reliability、调用链路观测、供应商路由与自修复系统，并探索模型、数据与工具的正交联合优化。我们相信，Agent 能力的下一阶段提升，不只来自更大的模型，也来自更高质量的数据工具层、更可靠的调用系统和能够持续进化的 Harness。\n如果你对 LLM Agent、Tool Use、信息检索、推荐排序、AI Infra、分布式系统、可靠性工程、模型评测、强化学习或自进化系统感兴趣，QVeris 会提供一组足够真实、足够困难、也足够前沿的问题。\n在这里，你将获得：\n◎ 真实问题：你会处理真实 Agent 调用链路，而不是玩具级 demo。\n◎ 前沿方向：Agent Harness、Tool Search、Agent Reliability、自迭代与自修复系统。\n◎ 高密度成长：从问题定义、评测构建、算法实验到系统上线完整参与。\n◎ 可沉淀成果：有机会形成论文、专利、开源 benchmark、技术博客、核心系统模块或产品级能力。\n◎ 小团队高 ownership：优秀实习生可以独立负责一个评测集、算法模块、系统能力或产品实验。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "元",
            "cycle": "天"
        },
        "benefits": "股票期权 | 五险一金"
    },
    "requirements": {
        "working_years": "",
        "degree": "本科",
        "language": "中文",AI生成
        "visa_support": "未披露",
        "responsibilities": "岗位亮点\n你将参与 QVeris Agent Harness 的核心研发,研究 Agent 如何更准确地发现外部数据和工具,如何理解 API 能力边界,如何从调用失败中恢复,以及如何基于历史调用轨迹、失败样本和用户反馈持续优化未来行为。\n这个岗位适合希望把 LLM Agent、Tool Use、模型评测、强化学习、搜索推荐和 AI Infra 结合起来的学生。你不会只做简单的数据清洗或提示词调参,而是参与定义一套面向真实 Agent 运行过程的自迭代系统。\n你会做什么\n● 研究和构建 Agent Harness 的核心闭环,包括 Discover、Inspect、Call、Evaluate、Repair、Improve 等环节。\n● 分析真实 Agent 调用轨迹,识别成功路径、失败模式、低效调用和可优化策略。\n● 构建 Data / Tool Capability Profile,让模型更好理解数据和工具 API 的能力、边界、参数、覆盖范围、实时性、成本、成功率和失败模式。\n● 设计 Agent 工具使用评测集,评估搜索准确率、调用成功率、任务完成率、失败恢复率、延迟、成本和人工干预率。\n● 探索 Agent 自迭代机制,将调用日志、失败样本、人工反馈和任务结果沉淀为可复用的策略记忆与优化信号。\n● 参与前沿论文调研、实验复现、benchmark 设计和内部技术分享。\n我们希望你\n● 计算机、人工智能、自动化、数学、统计、电子信息等相关专业本科、硕士或博士在读。\n● 熟悉 Python,具备扎实的数据结构、算法和工程实现能力。\n● 对 LLM、Agent、RAG、Tool Use、信息检索、推荐排序、强化学习、模型评测中的至少一个方向有较深入实践。\n● 能独立阅读英文论文,复现实验,分析 bad case,并把想法落成代码。\n● 每周至少 4 天,连续实习 3 个月以上;6 个月以上优先。\n加分项\n● 有 LLM Agent、工具调用、自动评测、搜索推荐、RL、数据工具平台相关科研或项目经验。\n● 有高质量开源项目、论文、竞赛获奖、技术博客或复杂系统工程经验。\n● 对 Agent 自进化、自修复、test-time scaling、tool learning、workflow learning 等方向有持续关注。\n你将获得\n● 参与 Agent Harness 和 Data & Tool Harness 前沿基础设施研发。\n● 接触真实工具调用链路和失败样本,而不是封闭 demo。\n● 有机会产出论文、专利、benchmark、技术博客或核心系统模块。\n● 与创始团队和核心研发高频讨论,从研究问题定义到工程落地完整参与。",
        "requirements_text": "● 熟悉 Python，具备扎实的数据结构、算法和工程实现能力",
        "skills": [AI生成
            "API/SDK与开放平台开发",
            "Agent系统构建",
            "Prompt工程",
            "RAG与检索增强",
            "Workflow与任务编排",
            "大模型原理与能力边界",
            "工具调用/MCP",
            "数据工程与数据管道",
            "模型/Agent评测体系",
            "模型训练与算法优化",
            "编程与代码实现",
            "项目推动与执行闭环"
        ],
        "preferred_qualifications": "● 每周至少 4 天,连续实习 3 个月以上;6 个月以上优先。\n加分项",
        "job_highlights": "本科"
    },
    "contact": {
        "recruiter_name": "王女士",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/338469253e15ea4f0nd82t21E1JU.html"
            }
        ]
    },
    "posting": {
        "posting_id": "338469253e15ea4f0nd82t21E1JU",
        "post_date": "",
        "hire_time": "● 每周至少 4 天,连续实习 3 个月以上",
        "update_date": "20260915",
        "job_url": "https://www.zhipin.com/job_detail/338469253e15ea4f0nd82t21E1JU.html"
    },
    "fulltext": "岗位亮点\n你将参与 QVeris Agent Harness 的核心研发，研究 Agent 如何更准确地发现外部数据和工具，如何理解 API 能力边界，如何从调用失败中恢复，以及如何基于历史调⽤轨迹、失败样本和⽤户反馈持续优化未来⾏为。\n这个岗位适合希望把 LLM Agent、Tool Use、模型评测、强化学习、搜索推荐和 AI Infra 结合起来的学生。你不会只做简单的数据清洗或提示词调参，⽽是参与定义一套面向真实 Agent 运行过程的自迭代系统。\n你会做什么\n● 研究和构建 Agent Harness 的核心闭环，包括 Discover、Inspect、Call、Evaluate、Repair、Improve 等环节。\n● 分析真实 Agent 调用轨迹，识别成功路径、失败模式、低效调用和可优化策略。\n● 构建 Data / Tool Capability Profile，让模型更好理解数据和工具 API 的能力、边界、参数、覆盖范围、实时性、成本、成功率和失败模式。\n● 设计 Agent 工具使用评测集，评估搜索准确率、调用成功率、任务完成率、失败恢复率、延迟、成本和人工干预率。\n● 探索 Agent 自迭代机制，将调用日志、失败样本、人工反馈和任务结果沉淀为可复用的策略记忆与优化信号。\n● 参与前沿论文调研、实验复现、benchmark 设计和内部技术分享。\n我们希望你\n● 计算机、人工智能、自动化、数学、统计、电子信息等相关专业本科、硕士或博士在读。\n● 熟悉 Python，具备扎实的数据结构、算法和工程实现能力。\n● 对 LLM、Agent、RAG、Tool Use、信息检索、推荐排序、强化学习、模型评测中的至少一个方向有较深入实践。\n● 能独立阅读英文论文，复现实验，分析 bad case，并把想法落成代码。\n● 每周至少 4 天，连续实习 3 个月以上；6 个月以上优先。\n加分项\n● 有 LLM Agent、工具调用、自动评测、搜索推荐、RL、数据工具平台相关科研或项目经验。\n● 有高质量开源项目、论文、竞赛获奖、技术博客或复杂系统工程经验。\n● 对 Agent 自进化、自修复、test-time scaling、tool learning、workflow learning 等方向有持续关注。\n你将获得\n● 参与 Agent Harness 和 Data & Tool Harness 前沿基础设施研发。\n● 接触真实工具调用链路和失败样本，而不是封闭 demo。\n● 有机会产出论文、专利、benchmark、技术博客或核心系统模块。\n● 与创始团队和核心研发高频讨论，从研究问题定义到工程落地完整参与。"
}