Harness 研究工程师

优缺点分析

角色解读

• 从Harness研究员成长为Agent系统架构师，领导下一代Agent基础设施设计
• 深入模型训练与评估闭环，转向AI研究科学家或AI工程VP方向
• 在开源社区建立影响力，成为Agent领域技术KOL
• 探索模型能力如何改进Harness设计，实现自生成工具、动态规划等
• 构建实验平台，系统化消融分析prompt、tool schema、memory等变量对长程任务的影响
• 从真实Agent任务中提炼失败模式、偏好信号，转化为模型改进数据
• 跟踪并复现前沿Agent研究，将有效机制产品化
• 强研究品味：能从复杂失败中抽象假设并设计实验验证
• 工程实践能力：亲手搭建实验系统、写prototype、跑benchmark、分析trace
• 熟悉LLM、Agent核心概念：Agent Loop、Tool Use、Context Engineering、Memory、Multi-Agent、Eval等
• 深度使用过主流Agent产品（Claude Code、Codex、Devin等），擅长通过prompt engineering研究其实现

申请策略

• 在申请材料中展示你对Model-Harness co-evolution的独特见解，提出一个具体的改进方向
• 关注月之暗面的技术博客和Kimi产品动态，面试中展现你对其现有Agent系统的理解
• 突出在Agent、LLM或自动机器学习领域的研究项目或工程成果
• 展示你如何设计实验、控制变量、从失败中提炼洞察的具体案例
• 如果参与过开源Agent项目（如AutoGPT、LangChain等），请附上链接
• 强调你对主流Agent产品的深度使用经历和独特发现
• 深入学习Agent相关论文（ReAct、Reflexion、Toolformer等），并动手复现核心机制
• 熟悉至少一个实验性Agent框架（如LangGraph、CrewAI），尝试构建自定义Harness

面试指南

• STAR法则：阐明情境、任务、行动和结果，突出你的分析和实验设计能力
• 对比分析：在回答技术问题时，展示你对不同方法的理解（例如对比几种memory机制）
• 数据驱动：用具体的实验结果、指标或案例支撑你的观点，避免空泛
• 请描述一次你从Agent失败中抽象出可验证假设并设计实验的经历
• 如何设计一个消融实验来比较不同context policy对长程任务完成率的影响？
• 谈谈你对Model-Harness co-evolution的理解，以及你认为最重要的一个研究方向
• 你如何评估一个Agent系统的稳定性？请给出具体指标
• 你深度使用过哪些Agent产品？它们的设计有何优缺点？