月之暗面
评估系统工程师（Eval Engineer）
评估系统工程师（Eval Engineer）
发布于 大约 16 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
学历未注明
软件工程
分布式系统
模型评估
数据管道
LLM
MCP
评估系统
Agent Loop
AI 估算 · 25k–45k
AI评估工程岗需LLM和系统经验，B轮公司有期权，薪资具竞争力，中位数约35k/月。
职位详情
关于这个职位
职位负责构建和维护模型评估系统，确保模型在迭代和发布时的质量与一致性
你需要与产品和研究团队紧密合作，搭建一体化评估平台，优化线上监控，并推动难以衡量指标的度量
这是一个技术深度高、节奏快的AI核心岗位
最低要求
年以上软件工程经验，精通 Python 编程，包括生产或研究基础设施，具备构建或运维分布式系统、数据管道或其他需要大规模可靠性的基础设施的经验
与研究与产品团队协作，具备清晰的书面和口头沟通能力，尤其是在向非专业人士解释技术结果
同时在训练与模型迭代中，可以胜任高速的模型迭代节奏
熟悉 LLM 以及 Agent 有关的核心概念和技术原理，包括 Agent Loop、Skills、MCP、Memory、Multi-Agent 等相关知识
对于评估和常见的评估 harness/Scaffold 有深入的研究
工作职责
构建一体化评估系统：* 定义并且持续改进 Agent Eval Platform，维护 Internal Benchmark，支持在不同的 harness 以及 Eval 策略下灵活评估，优化线上监控与评估体系，打通在线评估与离线评估的闭环
打通训练与生产的评估：* 构建和维护全面的评估套件，以确保模型质量和产品发布及更新的一致性
团队协作：* 指导产品工程师掌握快速工程最佳实践，并帮助团队构建他们的第一个评估
与公司内其他评估团队建立持久的合作关系，制定共享路线图，并避免在共享评估基础设施上出现 tragedy-of-the-commons
快速迭代：* 在快节奏的环境中工作，模型功能每天都在进步，需要快速适应和创造性地解决问题
通过基建支持拓展评估维度：* 推动团队去衡量那些难以衡量但是对于业务至关重要的指标——例如行为偏差、Tokens 效率、资源利用率
优先资格
具备从零开始搭建一套新的评估体系，用于测试特定的 Agent 能力——从定义任务、构建数据集、实现评分机制、根据已知信号进行验证，并最终交付一个清晰易懂的仪表盘，展示评估结果
熟悉主流 Agent 评测 Benchmark 如 Terminal bench、OS World、Apex Agent 的相关评测框架以及题目标准格式，了解如何在评估系统中解耦模型，Harness，Tasks 以及 Eval
AI 洞察
优缺点分析
优点
- 处于AI最前沿，接触LLM和Agent最新评估方法论
- 公司B轮阶段，成长快，有机会从0到1搭建系统
- 核心岗位，对产品质量影响大，成就感强
- 团队协作密集，可锻炼跨部门沟通和指导能力
- 工作节奏快，模型迭代频繁，需快速适应变化
- 评估体系复杂度高，需要权衡多维度指标
- 技术深度要求高，需持续学习最新Benchmark和框架
- 这个职位适合技术扎实、对AI评估有热情，能适应快节奏并善于解决复杂问题的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 成为AI评估领域的专家，主导公司评估体系架构
- 向AI基建负责人发展，或转型至模型训练/产品方向
- 在快速迭代中积累前沿技术经验，有机会晋升为技术Leader
- 构建和维护一体化的Agent评估平台，支持多种评估策略和Benchmark
- 打通线上与离线评估，建立监控体系，确保模型迭代质量
- 指导产品工程师掌握评估最佳实践，与内部团队协作制定共享评估基础设施
- 推动衡量行为偏差、Tokens效率等关键但难以直接量化的指标
- 精通Python，有分布式系统或数据管道等大规模基础设施经验
- 深入理解LLM和Agent核心概念（Agent Loop、MCP、Memory等）
- 熟悉常见评估框架和Harness，能搭建完整的评估流程
- 优秀的跨团队沟通能力，能将技术结果清晰传达给非技术同事
申请策略
- 在简历和面试中展示对评估体系整体架构的思考，而不仅是单一技能
- 关注月之暗面Kimi的产品动态，理解其模型迭代需求，体现业务视角
- 突出Python和分布式系统的实际项目经验，尤其是高可靠基础设施
- 展示与LLM/Agent相关的评估或开发经历，特别是使用过Harness或Benchmark
- 强调跨团队协作案例，以及将复杂技术解释给非专业人员的经验
- 如果有从0搭建评估体系的经历，务必详细描述
- 深入学习Agent主流Benchmark（Terminal bench, OS World等）的框架和格式
- 实践MCP、Agent Loop等概念，通过开源项目提升理解
面试指南
- 先明确评估目标，再分解为任务定义、数据集、评分机制、验证闭环
- 使用结构化思维：区分离线与在线、区分模型与Harness，确保可复用
- 强调沟通与协作：与产品、研究团队对齐标准，避免重复建设
- 如何设计一个评估系统来比较两个模型版本在Agent任务上的表现？
- 请举例说明你如何从零搭建一个评估流程，包括数据、评分、验证
- 解释LLM Agent中的MCP、Memory、Multi-Agent是如何协同工作的？
- 如何处理评估指标之间的冲突（如准确性与Tokens效率）？
- 假如产品团队要求快速上线一个新功能，你如何平衡评估充分性与迭代速度？
匹配度报告
64
综合匹配度
前沿AI评估系统岗，技术成长空间大，薪资面议，节奏快。
适合人群
该职位最适合追求技术成长和前沿领域、能接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利60
成长发展85
工作生活40
使命价值70
薪资福利匹配
60中等
职位未披露薪资，但AI领域通常薪资较高，且B轮公司可能有期权，但稳定性一般。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
85较高
该职位涉及LLM和Agent前沿技术，能深度参与评估体系构建，成长空间大，但未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈Python、LLM、Agent、分布式系统、数据管道、评估框架、Benchmark
业务类型profit_center
工作生活匹配
40较低
仅现场办公，JD描述强调快节奏和快速迭代，暗示较高工作强度，WLB信号缺失。
工作模式仅现场办公
办公地点市区核心地段
加班情况JD含高强度暗示词
使命价值匹配
70中等
AI行业处于高速增长赛道，评估系统对产品质量和用户体验有直接正向影响，但社会影响力中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs