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": "大模型Agent框架工程师-Seed",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "机器学习"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、参与大模型Agent能力的建设，包括但不限于：规划与执行（Planning/Execution）、工具调用（Tool-Use）、记忆（Memory）、反思与自我修复（Reflection）；\n2、建设面向Agent的评测能力，将Benchmark（如SWE-Bench、TAU-Bench等）工程化为可持续迭代的评估集与指标体系，并将评测结果闭环到框架与策略优化；\n3、支撑RL训练闭环与工程优化，参与RL训练相关工程链路设计：采样、打分/Reward、回放、训练、验证与发布，推动训练与评测一体化；\n4、深度参与Coding Agent、GUI Agent等核心能力实现与效果优化。",
"requirements_text": "1、对语言大模型、多模态大模型、智能代理Agent技术以及大模型的部署流程有基本的了解和认识；\n2、具备熟练的Python/Go语言编程能力和良好的编程习惯和代码管理能力；\n3、熟悉服务端基础技术，包括但不限于HDFS、Ray、消息队列等，能够高效地进行后端服务的开发与维护；\n4、熟悉业务目前主流的Benchmark，如SWE-Bench、TAU-Bench等；\n5、了解大模型RL训练基本概念与流程（采样、Reward、On-Policy/Off-Policy、稳定性与成本权衡），能够与算法团队高效协作推动落地。",
"skills": [AI生成
"Python",
"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://jobs.bytedance.com/experienced/position/7596960769942849845/detail"
}
]
},
"posting": {
"posting_id": "7596960769942849845",
"post_date": "2026-01-19",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7596960769942849845/detail"
},
"fulltext": "大模型Agent框架工程师-Seed\n职位描述\n1、参与大模型Agent能力的建设，包括但不限于：规划与执行（Planning/Execution）、工具调用（Tool-Use）、记忆（Memory）、反思与自我修复（Reflection）；\n2、建设面向Agent的评测能力，将Benchmark（如SWE-Bench、TAU-Bench等）工程化为可持续迭代的评估集与指标体系，并将评测结果闭环到框架与策略优化；\n3、支撑RL训练闭环与工程优化，参与RL训练相关工程链路设计：采样、打分/Reward、回放、训练、验证与发布，推动训练与评测一体化；\n4、深度参与Coding Agent、GUI Agent等核心能力实现与效果优化。\n\n职位要求\n1、对语言大模型、多模态大模型、智能代理Agent技术以及大模型的部署流程有基本的了解和认识；\n2、具备熟练的Python/Go语言编程能力和良好的编程习惯和代码管理能力；\n3、熟悉服务端基础技术，包括但不限于HDFS、Ray、消息队列等，能够高效地进行后端服务的开发与维护；\n4、熟悉业务目前主流的Benchmark，如SWE-Bench、TAU-Bench等；\n5、了解大模型RL训练基本概念与流程（采样、Reward、On-Policy/Off-Policy、稳定性与成本权衡），能够与算法团队高效协作推动落地。\n1、参与大模型Agent能力的建设，包括但不限于：规划与执行（Planning/Execution）、工具调用（Tool-Use）、记忆（Memory）、反思与自我修复（Reflection）；\n2、建设面向Agent的评测能力，将Benchmark（如SWE-Bench、TAU-Bench等）工程化为可持续迭代的评估集与指标体系，并将评测结果闭环到框架与策略优化；\n3、支撑RL训练闭环与工程优化，参与RL训练相关工程链路设计：采样、打分/Reward、回放、训练、验证与发布，推动训练与评测一体化；\n4、深度参与Coding Agent、GUI Agent等核心能力实现与效果优化。\n1、对语言大模型、多模态大模型、智能代理Agent技术以及大模型的部署流程有基本的了解和认识；\n2、具备熟练的Python/Go语言编程能力和良好的编程习惯和代码管理能力；\n3、熟悉服务端基础技术，包括但不限于HDFS、Ray、消息队列等，能够高效地进行后端服务的开发与维护；\n4、熟悉业务目前主流的Benchmark，如SWE-Bench、TAU-Bench等；\n5、了解大模型RL训练基本概念与流程（采样、Reward、On-Policy/Off-Policy、稳定性与成本权衡），能够与算法团队高效协作推动落地。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T015"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}