我们相信下一代软件研发是 Agent 原生的：工具不再是人手的延伸，而是与人协同工作的自治系统。你将参与以下两个互为支撑的核心方向。
方向一：下一代效率工具
- 构建 Agent 原生的统一工作系统，把研发工作中若干彼此割裂的核心场景收敛为同一条工作流
- 重新设计人与 Agent 的分工边界：人的角色从"操作工具"转向"给出目标与偏好、验收结果"
- 构建支撑一体化的基础设施，状态与上下文在不同场景间的流转
- 让知识随工作自然沉淀：过程中产生的决策与经验自动转化为可检索、可复用的团队记忆
方向二：Loop Engineering 的下一代范式
- 探索超越当前 agentic loop（写码 → 验证 → 修复）的软件构建范式，重新思考软件如何被定义、如何被构建、何时算"完成"
- 研究人类输入的最小化：人只提供目标与偏好层面的输入，系统承担从定义到交付的完整构建过程
- 构建支撑这一范式的核心引擎，以及衡量其收敛速度与构建质量的评测体系
- 把范式沉淀为可复用的工程方法，在真实项目中持续验证与迭代
- 具有较强工程能力，能独立完成复杂系统模块的设计与实现
- 熟练使用 Python 或 TypeScript，具备扎实的代码能力（全栈经验为加分项）
- 对产品有判断力：能从用户场景出发定义工具形态，而不是从技术出发堆功能
- 对系统问题有良好的拆解能力，能从复杂现象中定位本质问题
- 认可 AI Native / "用模型解决工程问题" 的方向，愿意把自己的日常工作作为第一块试验田
- 对评测敏感：能判断评测是否忠实于真实目标、闭环是否真的收敛，而不是盲目堆 prompt 和跑实验
加分项（重要但不硬性）
- 有效率工具 / 协作工具 / IDE / 编辑器类产品的研发经验
- 深度使用或改造过 Claude Code、Cursor、Codex 等 agentic coding 工具，读过其源码或生态实现
- 有 Agent harness / agent loop / 评测基准（如 SWE-bench）的建设经验
- 有评测体系或评测集的建设经验（用例生成、LLM-as-judge 等）
- 有长时间运行自治 Agent 的实践：自我修复、上下文管理、多轮任务编排
- 有大模型后训练 / RL 与 Agent 能力构建结合的经验
- 做过 benchmark / profiling / 自动化实验平台相关工作
- 有活跃的开源项目或对开源社区有实质贡献
