腾讯混元数字人-AI队友面向数字世界的Agentic应用与研究

1.负责平台类产品的前后端研发工作，包括配置化能力、模板能力、任务流转、数据管理、权限管理等核心模块建设； 2.参与平台架构设计与通用能力建设，提升系统扩展性、复用性和稳定性； 3.负责复杂交互页面、中后台系统及配置化界面的开发与优化，提升平台整体使用体验； 4.负责服务端业务逻辑、接口设计、数据建模及系统联调，支撑多业务场景接入； 5.沉淀组件、模板、公共模块及工程化能力，推动平台能力标准化和规模化复用。

1.制定大模型后训练分Topic数据策略，搭建数据质量评估体系与数据生产标准，针对性优化数据短板，提升模型训练效果； 2.全面管理数据合成、数据质检、数据标注、数据运营小组，负责团队搭建、流程制定、任务统筹与绩效管控，保障数据高效高质量交付； 3.协同算法、研发团队，对齐模型训练需求，落地数据优化方案，跟进数据-模型效果联动优化，推动数据生产智能化升级； 4.把控数据合规与安全，统筹数据项目进度与目标达成，定期复盘数据质量与团队效能。

1.负责图像、视频、3D或音频等某一AIGC方向的产品规划与全生命周期管理； 2.深度洞察用户需求与技术趋势，定义具有竞争力的产品能力矩阵和发展路线图； 3.建立科学的模型评估与迭代机制，确保产品效果的持续领先； 4.协调内外部资源，推动产品从概念到上线、优化及商业化落地的全过程。

1.定义"什么是好的 Agent 数据"：针对 Agent 场景特有的多轮交互、长链路规划、工具调用与环境反馈特性,把模型能力目标操作化为可执行的数据质量标准与标注规范(rubric、验收准则、轨迹合理性定义),并建设配套的自动化质检体系——识别诸如"在失败策略上反复循环而不切换""工具调用参数凭空构造而非基于环境反馈""规划与实际执行脱节"等深层轨迹缺陷； 2.设计评测,产出独立的能力诊断，建设面向 Agent 能力的评测体系:设计高质量的评测数据集与评测切片,精准暴露模型在多轮任务中的失败模式(如探索效率、工具使用鲁棒性、长链路规划、错误恢复等);重点在测量完整性——抗污染、抗刷分、统计严谨、跨场景标准一致。产出可信、可归因的能力诊断,为模型迭代提供独立的"第三方读数"； 3.设计可验证的评测任务与执行环境，构建能自动判定、抗刷分的长程 Agent 评测任务(贴近真实场景的多轮、多工具任务),以及配套的执行/沙盒环境,精准 measure 模型在真实交互任务中的能力边界； 4.高质量 Agent 数据的源头建设，负责真实 Agent 交互场景数据的源头建设与处理:在合规与用户授权前提下,从产品/工具链中建立数据回流机制(采集真实交互轨迹、工具调用与环境反馈);复杂轨迹的获取、环境反馈的结构化、脱敏与可用化,把原始信号转化为模型团队可直接使用的高质量数据资产。这是一块大厂内部独有、外部难以触及的源头优势； 5.人机协同的质量流程设计，设计并落地人机协同的数据质量流程：用模型做预标注/预筛、人工聚焦高价值判断与校正、auto-QA 兜底一致性,在保证质量标准的前提下提升轨迹质检与标注的规模化效率； 6.前沿跟踪与能力沉淀，跟踪支撑 Agent 能力提升的前沿方法(轨迹质量评估、Agent 评测方法、可验证 reward 设计等),将其转化为质检与评测能力;并把这套数据质量判断力沉淀、共享给协作的模型团队。