高德地图
高德-Agent 效果产品经理-Harness 方向
高德-Agent 效果产品经理-Harness 方向
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai产品经理
Prompt Engineering
Rag
大模型
评测体系
值不值得投
71综合评分
综合评分 71
高德核心AI技术岗，聚焦Agent效果优化，技术深度与成长空间极大，但工作生活平衡信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
33K
比人工智能中位数低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 270 个在招
市场机会
选择面较广
北京 · 人工智能 · 约 190 个在招
职位详情
关于这个职位
该职位是负责优化高德地图AI Agent在真实场景中任务完成质量的“效果型产品经理”
核心工作并非堆砌功能，而是通过深入理解Agent运行链路，运用上下文工程、工具编排与评测体系，诊断并解决Agent答非所问、信息遗漏、工具误调用等核心问题，直接提升任务完成率与用户满意度
需要具备从trace分析到推动策略落地的闭环能力，并能与算法团队紧密协作
最低要求
技术背景：计算机、人工智能或相关专业背景，2 年以上 AI 产品或 NLP 应用经验
深入理解大模型 Agent 的运行链路——从 query 进入、意图识别、上下文构造、工具选择与调用、结果处理到回复生成，能讲清每一步的输入输出与常见故障点
必须懂机制，而非仅会调用 API
Agent 直觉（Agent Sense）：
基础：理解 RAG、Function Calling、Memory、Context Window 的基本原理与典型应用
进阶：对工具 schema 如何影响模型选择、裁剪策略的副作用、温度等推理参数的影响有实操理解
专家：能从一次异常输出快速反推是上下文缺失、工具描述问题还是模型能力问题，并给出改进路径
实战能力：熟悉 trace 解析、Prompt 回归测试
熟悉评测集设计与 matcher 规则构造，能处理口语化表达的多样性
发现问题先自己跑数据，不靠等排期
数据品味：能区分“高频低危”与“低频高阻塞”的 bad case，按业务影响而非数量排优先级
不把主观估计当作事实
沟通协作：能用工程师听得懂的语言描述需求，也能向业务方讲清 Agent 能力的边界与局限
工作职责
诊断 Agent 效果瓶颈并定位根因（Diagnosis & Root Cause Analysis）
面对 Agent 表现不佳时，迅速判断问题落在哪一层：上下文构造缺失、工具 schema 描述不准、工具返回被裁剪后丢失关键字段、上下文窗口（Context Window）被系统开销占满导致对话历史被截断，还是模型能力本身不足
区分“模型能力不足”与“harness 没喂对信息”——这是本岗位最核心的判断力
建立 bad case 分类机制，按出现频率与业务阻塞性排优先级，驱动迭代排期
设计上下文工程与工具编排策略（Context Engineering & Tool Orchestration）
定义各类上下文 Provider 的触发条件、注入顺序与 token 上限，在召回质量与窗口成本之间给出明确取舍
设计工具的渐进式暴露策略，控制 schema 膨胀，并保证暴露给模型的 schema 与实际注册实现一致
设计记忆（Memory）与检索增强（RAG）注入策略
构建评测体系、以数据驱动迭代（Evaluation & Data-Driven Iteration）
设计细粒度评测集与评测指标，覆盖多轮追问、多约束理解、复杂指令完成度与工具调用正确性，持续补齐场景盲区
多个指标分开看、不做加权合成
红线项单独判定
核心指标是任务完成率与任务满足率
面对模型的非确定性输出，建立可复现的评测方法
推动改进落地并形成线上闭环（Productization & Online Loop）
改进分两类推进：快速止血（Prompt 优化、schema 修正、裁剪策略调整）与长期治理（工具暴露机制、记忆架构、Provider 触发逻辑等架构级调整）
将实验有效的策略固化为生产级能力，持续监控线上表现，定义效果劣化的告警规则并推动闭环修复
与算法团队协同、对齐训练信号（Collaboration & Model Alignment）
当问题确认为模型能力不足时，输出结构化训练需求
参与模型选型与多模型路由决策，根据场景对延迟、成本与智能度的要求制定策略
跟踪前沿并沉淀方法论（Frontier Tracking）
持续跟踪 Agent、Context Engineering、评测方法论的前沿进展，判断哪些可为高德 Agent 所用，并沉淀为团队可复用的方法与工具
优先资格
有从 0 到 1 构建 Agent 应用或平台的成功案例，并在其中承担核心的效果决策角色
有 Agent 编排框架、harness 层或模型评测平台的建设经验，理解工具循环的工程实现与评测回归的自动化
有地图、出行或本地生活领域的产品经验，熟悉 POI 搜索、路径规划等场景下的用户预期
理解 LLM-as-judge 的适用范围与局限，做过评测集版本管理与自动化回归
熟悉主流开源与闭源模型（Qwen、DeepSeek、Llama、GPT、Claude 等）的能力差异，做过多模型路由或线上 A/B 实验
擅长使用 AI 工具流（AI-Native Workflow，如 Cursor、Copilot）提升个人产出效率
AI 洞察
优缺点分析
优点
- 技术深度极高，专注于AI Agent这一前沿且核心的领域，能积累宝贵的实战经验和方法论
- 在大型平台（高德/阿里）负责高频场景（地图出行）的AI产品，影响用户量巨大，成果可见性强
- 岗位要求“懂机制”、“能写代码验证”，鼓励技术钻研和数据驱动，能极大提升技术产品综合能力
- 效果优化工作涉及大量细粒度的trace分析、评测和调试，可能需要投入大量时间和精力在细节排查上
- 需要与算法、工程等多个技术团队紧密协作并推动落地，对沟通和影响力要求高
- 适合具备扎实技术背景（尤其是NLP/大模型方向）、对AI Agent有强烈兴趣和深入思考、追求用数据和技术解决复杂产品问题、并愿意深入细节进行效果打磨的求职者
缺点 / 挑战
- 技术挑战巨大，需要深入理解模型、上下文、工具编排等底层机制，对技术深度和广度要求高
角色解读
- 在Agent和AI效果优化领域深耕，成为该领域的专家型产品经理，能够主导复杂AI产品的效果战略
- 向更全面的AI产品经理或技术负责人方向发展，负责AI产品的整体规划、业务价值和团队管理
- 深入技术侧，可能转型为AI算法策略工程师或AI平台产品经理，负责更底层的技术框架设计
- 诊断AI Agent（如高德地图中的智能助手）在真实用户任务中表现不佳的根本原因，是上下文构造问题、工具调用问题还是模型本身能力不足
- 设计和优化Agent的上下文工程策略（如信息注入顺序、记忆管理）和工具编排机制（如何让模型正确选择和调用功能）
- 构建并执行细粒度的评测体系，用任务完成率、满足率等核心指标驱动Agent效果的持续迭代和提升
- 深入理解大模型Agent的全链路运行机制（从Query到回复生成），能够进行trace分析和问题根因定位
- 掌握Context Engineering、RAG、Function Calling等核心技术原理，并有将理论转化为产品策略的实战经验
- 具备强大的数据驱动思维和评测能力，能够设计科学的实验和指标来衡量和优化效果，而非依赖主观感觉
申请策略
- 在申请时，可以准备一份简短的“诊断报告”，选择一个你熟悉的Agent应用场景，分析其可能的效果瓶颈和优化思路，这能极好地体现你的岗位匹配度
- 深入研究高德地图的AI能力（如小德助手）和地图出行场景，思考其中Agent可以优化的具体点，在面试中展现你的业务洞察
- 重点突出任何与AI Agent、LLM应用、NLP产品相关的工作经验，特别是涉及效果优化、Prompt工程、评测体系搭建的具体案例
- 强调数据驱动解决问题的能力，举例说明你如何通过分析数据/trace定位并解决了一个具体的AI效果问题
- 如果具备代码能力或主动使用AI工具（如Copilot）提升效率的经历，务必在简历中体现，这与岗位要求高度相关
- 系统梳理并加深对主流大模型（如GPT系列、Claude、开源模型）能力边界和特点的理解
- 动手实践一个完整的Agent开发或评测流程，例如用LangChain等框架构建一个小型Agent，并为其设计评测方法
- 学习并实践LLM评测方法，了解常见的评测框架和指标（如LLM-as-Judge），积累相关项目经验
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化描述过往经验，重点突出“行动”部分中的技术分析和数据驱动决策过程
- 回答诊断类问题时，展现你的系统性思维：从用户输入、上下文构造、工具调用、模型输出全链路逐层分析可能的原因，并强调会优先用数据（trace）验证假设
- 对于设计类问题（如评测体系），先明确核心目标（如任务完成率），再拆解为可量化、可操作的具体指标和方法，并说明如何确保评测的公平性和可复现性
- 请描述一个你经历过的、最具挑战性的AI/LLM产品效果优化案例，你是如何定位问题并最终解决的？
- 假设高德的一个语音助手用户反馈“问路线时经常回答不全或答非所问”，你会如何系统性地诊断这个问题？
- 你如何设计一个评测体系来衡量一个Agent（比如旅行规划助手）的任务完成率？需要考虑哪些核心指标？
- 如果发现一个Agent效果问题确实是模型能力不足导致的，你会如何与算法团队沟通，提出有效的训练需求？
- 你如何看待‘上下文工程’在提升Agent效果中的作用？请举例说明
职位点评
薪资福利70
成长发展95
工作生活45
使命价值65
薪资福利
70中等
作为大型上市公司的核心产品岗位，薪资应具备市场竞争力，但JD未披露具体薪酬福利，满足程度中等。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
95较高
该职位聚焦于AI Agent最前沿的效果优化与上下文工程，技术深度要求极高，能提供极强的专业技能成长和行业影响力提升机会。
技术前沿前沿/新兴技术
技术栈Agent、Context Engineering、RAG、Function Calling、评测体系、LLM
成长机会跟踪前沿并沉淀方法论
业务类型profit_center
工作生活
45较低
JD未提及任何办公模式、工作时间或WLB相关信息，无法判断其工作生活平衡状况，满足程度有限。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
在高德地图（高频应用场景）优化AI Agent，能直接改善亿万用户的出行和本地生活体验，具有明确的社会价值。行业属于稳定成熟的地图与出行领域。
行业发展稳定成熟行业
社会影响正向社会影响力较高
创新程度积极采用新技术
高德地图 的其他在招职位
相似职位推荐
Watch Jobs