The posting
我们正在构建一个面向复杂任务的模型融合系统。它不是简单地接入单个大模型，而是通过多模型并行生成、候选答案分析、强模型合成、路由策略、流式输出和可观测评测体系，让不同模型在推理、代码、研究和工具调用等场景中形成互补。 这个方向的核心问题不是“哪个模型最强”，而是如何稳定、可解释、可复现地把多个模型的能力组织起来，并在质量、成本、延迟之间做工程化权衡。 我们希望找到一位能参与完整闭环的工程师：从 benchmark 设计、实验执行、问题归因，到系统设计调整、核心代码实现和验收指标沉淀。
你会负责 - 参与模型融合 gateway、评测 harness、实验 runner、trace/observability 等核心系统的设计与实现。 - 设计和维护开发 benchmark，覆盖代码、研究、终端操作、工具调用、多模型融合等关键能力。 - 跑模型组合、scaffold、routing、reasoning 转发、timeout/fallback 等实验，分析质量、成本、延迟和稳定性。 - 结合 trace、模型输出和用户反馈，定位系统失败原因，并把问题转化为可复现 case 和工程改进。 - 优化融合链路中的关键策略，包括候选生成、分析摘要、合成输入、流式处理、partial salvage、评分与验收。 - 输出清晰的实验记录、设计文档和结论，让团队能基于数据持续迭代。
我们希望你具备 - 有 Rust / Python / TypeScript 中至少一种语言的实际开发经验，愿意根据项目需要补齐技术栈。 - 是重度 AI 用户，对模型行为、agent、eval harness、benchmark、tool calling、streaming、上下文结构等底层细节有兴趣。 - 能独立设计和实现模块，也能根据实验结果调整系统设计。 - 有数据驱动的工作习惯：愿意写脚本、跑对照实验、看 trace、分析失败样本，并接受结果和预期不一致。 - 对 benchmark 保持必要的怀疑精神：会关注 case 质量、评分标准、数据泄漏、过拟合、代表性和可复现性。 - 有成本和延迟意识，理解模型系统不能只追求单点质量，也要关注吞吐、响应时间、稳定性和调用成本。 - 工程习惯扎实，重视代码质量、测试、文档、可维护性和可回滚性。
加分项 - 做过 LLM、RAG、Agent、评测系统、开发者工具、IDE 插件、代码生成工具或自动化测试平台。 - 熟悉 OpenAI-compatible API、Responses API、SSE streaming、tool calling、reasoning content 等接口细节。 - 有 async Rust、Axum、Tokio、Python eval pipeline、CLI 工具、前端实验看板经验。 - 做过 benchmark 设计、自动评分、人工评审、ablation、误差分析或模型对比实验。 - 能阅读模型、agent、eval 相关论文或开源实现，并转化成可验证的工程实验。
我们不特别看重 - 年龄、学历标签或大厂经历。 - 是否有非常标准的 AI 岗位 title。 - 是否已经完整做过同类系统。
