Coding Agent 产品经理

我们在做什么

• 主流模型的 coding 能力今天已经够了。真正的瓶颈是：模型不知道自己写出的代码是否符合用户意图
• superun 要用工程手段补上这块缺口——三个核心问题：怎么把模糊的用户需求转化为模型能稳定执行的输入；怎么在执行链路里持续校验产出是否真的对齐意图；怎么让用户对中间产出的反馈既轻又能回流进下一轮决策。这不是 demo 级别的问题，是需要研究品味 + 产品判断 + 工程同频才能真正往前推的事

你来负责

• 需求工程化：把口语化、跳跃的用户意图工程化为模型能稳定理解的输入，这是整条链路的起点
• 产出对齐校验：在 agent 执行链路里持续校验代码是否真正对齐用户意图，不只是“能跑通”
• 人机反馈回路：设计轻量且精准的中间反馈机制，让用户输入能有效回流进下一轮模型决策
• eval 体系：和工程团队共建兼顾代码质量（test pass / 修复成功率 / iteration depth）与意图对齐（human-accept / 修订轮次）的评估体系
• 产品节奏：从 spec 到 eval 到上线，端到端负责 coding agent 的设计与迭代

必须有的

• 对主流模型 coding 能力边界有自己的 mental model，做决策时知道“这件事 Sonnet 行 Haiku 不行”，不只看 SWE-bench 榜单
• 读得懂直接相关的论文和工程文章（SWE-agent、CodeAct、Reflexion、Process Reward Models、Cursor / Claude Code 团队公开的工程文章），能跟工程师同频讨论范式取舍
• 做过至少一个真实跑在用户面前的 agent 产品，对 sticky failure / 长链路 reliability 有第一手 sense；coding agent / 开发者工具方向优先
• 对 Cursor / Cline / Devin / Aider / Claude Code 有第一手使用体感，能讲清楚每家在「让代码对齐用户意图」这件事上各自的押注和崩溃模式
• 玩过、改过、批判过别人的 agent harness（loop / tool calling / memory / context management）

加分项

• 学术圈或开源社区有可见足迹：paper、talk、有人 star 的 repo，或在 X / blog 持续输出 agent 工程化 thesis
• 对 Agent 基础设施层（serving / latency / observability）有研究兴趣
• 愿意代表产品与外部研究 / 开源 / 学术圈对话

我们看重的

好奇心驱动，不是 KPI 驱动 · 能从 noise 里持续挑出真正重要的工作 · 做产品决策时能区分“模型现在做得到”“未来可能”“永远不行”，不为了 ship 对自己撒谎 · 跟工程团队讨论时既不外行也不抢戏

面试提示

我们会重点考察研究品味 × 产品判断的组合：你如何评估一个 agent 产品的好坏，你如何设计 eval 用例，你对最近 6 个月 agent 进展的判断，你如何在模型能力边界外给出诚实的产品决策。如果你平时就在跟踪前沿、有自己的 thesis，请带着案例来

核心能力关注点

• Coding agent 范式判断力
• 对 coding agent 这条特定路线有自己的 mental model，能跟工程师同频判断 agent loop / harness / tool calling / verification 的取舍，做产品 spec 时直接给出技术取向假设
• 意图对齐 eval 设计
• 把「代码是否真的对齐用户意图」做成可量化、可迭代的产品指标，不靠「跑过 test」「看上去对」做决策
• 模型边界 × 用户场景翻译
• 在主流模型 family 的能力边界和用户实际需求之间找最优解，做出务实的产品决策
• 研究品味 + 产品落地
• 从 Anthropic / OpenAI / DeepMind 前沿工作到可交付产品形态的完整链路，识别 capability shift 与 hype

技术栈偏好

•AI Product Design；Prototyping（工具不限）

•User Research

•Interaction Design；AI Tools（Cursor / v0 / Claude）