近期 2026 外灘大會上北大助理教授楊靈關(guān)于「長程任務(wù)學習」的分享引發(fā)行業(yè)關(guān)注 —— 當 AI 從單次問答走向長周期復雜任務(wù)模型如何從持續(xù)交互中積累進化。而在這份分享的合作研究標識中Muchen AI 的名字赫然在列。緊隨其后PhAI Labs發(fā)布交互式科研工作空間ScienceBuddyAItonomy Foundation推出科研智能體開發(fā)環(huán)境 ScienceIDE兩份重磅發(fā)布的合作方名單中沐晨科技Muchen AI均以聯(lián)合研發(fā)與技術(shù)支持方的身份出現(xiàn)。1.大模型下半場數(shù)據(jù)服務(wù)的核心早已不是「堆量」大模型進入復雜任務(wù)落地階段數(shù)據(jù)服務(wù)的競爭核心早已從「樣本量級」轉(zhuǎn)向「過程質(zhì)量」——任務(wù)邊界是否清晰、評價標準是否統(tǒng)一、執(zhí)行鏈路是否可追溯正在成為比數(shù)據(jù)規(guī)模更關(guān)鍵的底層能力。數(shù)據(jù)服務(wù)的交付物不只是樣本本身更包括讓樣本可用的任務(wù)定義、判斷依據(jù)、質(zhì)量記錄與迭代機制。其中結(jié)構(gòu)化評價標準Rubric是整個體系的核心 —— 它把籠統(tǒng)的「回答得好不好」「結(jié)果對不對」拆成可量化、可對齊、可檢查的細分維度比如事實準確性、邏輯完整性、約束符合度、錯誤嚴重等級等。但寫出評分表并不是終點。標準還要經(jīng)過真實樣本的雙盲校驗解決不同人員的判斷分歧要跟隨模型能力迭代更新版本避免舊標準失效還要和生產(chǎn)流程深度綁定確保每一批交付都符合統(tǒng)一尺度。這種模式下數(shù)據(jù)生產(chǎn)不再是一錘子買賣而是貫穿模型多輪迭代的長期運營工作。將其定義為Long-horizon AI Data Operations面向復雜 AI 系統(tǒng)的長期數(shù)據(jù)工程與評測運營。2.從交付樣本到交付體系長周期工程能力的商業(yè)驗證理念的落地最終要靠真實業(yè)務(wù)場景的打磨。某頭部代碼大模型廠商在推進代碼智能體工程化落地時曾遭遇評測體系與真實開發(fā)場景脫節(jié)的核心瓶頸傳統(tǒng)評測多基于孤立算法題與簡化 Demo任務(wù)脫離真實工程環(huán)境評分維度粗放不同人員、不同模型的評測結(jié)果一致性偏差超 30%無法有效支撐智能體真實工程能力的迭代。Muchen AI沒有采用「按需求生產(chǎn)樣本」的傳統(tǒng)交付模式而是為客戶搭建了一套從倉庫篩選到結(jié)果溯源的全鏈路工程化評測體系建立真實代碼倉庫質(zhì)檢標準篩選具備完整業(yè)務(wù)邏輯與工程結(jié)構(gòu)的項目倉庫構(gòu)建統(tǒng)一可復現(xiàn)的 Docker 容器執(zhí)行環(huán)境設(shè)計覆蓋 Bug 修復、功能開發(fā)、工程配置等真實開發(fā)場景的任務(wù)矩陣配套分層級 Rubric 評價標準與全鏈路執(zhí)行留痕機制。所有任務(wù)均在 Trae 環(huán)境中完成 5 款主流代碼模型的獨立運行驗證完整保留執(zhí)行鏈路、評分依據(jù)與 git diff 產(chǎn)物。最終評測人員一致性提升至 90% 以上交付的可復用評測體系持續(xù)支撐客戶代碼智能體的工程能力迭代與多版本優(yōu)化。對Muchen而言單次項目驗收不是終點更重要的是建立跨多輪任務(wù)和模型迭代的持續(xù)交付能力。相比于傳統(tǒng)數(shù)據(jù)公司「接項目、做交付、結(jié)項走人」的模式這種長周期運營的門檻更高但也構(gòu)建了更深的客戶粘性與業(yè)務(wù)壁壘。成立兩年間沐晨已經(jīng)將這套能力從通用大模型數(shù)據(jù)評測延伸至多模態(tài)、智能體等多個場景。更關(guān)鍵的是公司的增長并非依賴低價人力擴張而是伴隨著收入結(jié)構(gòu)的持續(xù)優(yōu)化高價值的評測方案、長周期運營服務(wù)占比穩(wěn)步提升客戶復購率與項目平均周期持續(xù)增長走出了一條「質(zhì)量優(yōu)先」的增長路徑。3.走進科研場景把驗證體系做進 AI 科研流程如果說商業(yè)場景驗證了沐晨的工程落地能力那么參與 ScienceBuddy 的聯(lián)合研發(fā)則是這套能力向更前沿領(lǐng)域的延伸也讓「發(fā)現(xiàn) — 拆解 — 驗證 — 回流」的遞歸式科學任務(wù)閉環(huán)真正實現(xiàn)工程化落地?？茖W研究對 “結(jié)果可信” 的要求遠高于商業(yè)場景一份科研分析是否可信不能只看行文是否流暢一段數(shù)值計算能否接受也不能只看程序是否退出報錯。方法、參考結(jié)果、單位、誤差范圍和實驗條件都會影響結(jié)論的有效性。PhAI Labs 發(fā)布的ScienceBuddy關(guān)注科學家與 AI Agent 在真實研究中的持續(xù)交互研究者提出問題、修正目標、評價結(jié)果系統(tǒng)記錄完整的工具調(diào)用與執(zhí)行軌跡為理解智能體表現(xiàn)提供依據(jù)。在聯(lián)合研發(fā)分工中三大平臺形成聯(lián)動閉環(huán)PhAI Labs 主導遞歸科學任務(wù)中臺架構(gòu)與整體產(chǎn)品交互框架設(shè)計承擔任務(wù)調(diào)度、狀態(tài)管理與結(jié)果判定職能沐晨與 PhAI Labs 聯(lián)合推進科學發(fā)現(xiàn)平臺研發(fā)負責科研問題采集、候選方案生成與待驗證任務(wù)標準化輸出科學驗證平臺的框架體系設(shè)計與工程落地則由沐晨全權(quán)負責核心搭建多層級科學檢查機制、結(jié)構(gòu)化軌跡記錄體系與自動化評分框架?？茖W驗證平臺并非孤立的執(zhí)行節(jié)點它與科學發(fā)現(xiàn)平臺通過中臺形成遞歸聯(lián)動驗證完成的結(jié)果回流至中臺經(jīng)判定若不足以閉合根問題便會驅(qū)動科學發(fā)現(xiàn)平臺優(yōu)化問題理解、迭代方案生成任務(wù)重新進入驗證鏈路以此實現(xiàn)問題的逐層遞歸深化。伴隨流程標準化與數(shù)據(jù)沉淀這套閉環(huán)正從「人驅(qū)動遞歸」向「自動化遞歸」演進人工逐步從執(zhí)行轉(zhuǎn)向監(jiān)督與驗收角色。針對科學驗證平臺沐晨將這套能力沉淀為可規(guī)模化交付的產(chǎn)業(yè)服務(wù)獨立輸出了 Sci/Eng 場景 Agent 評測數(shù)據(jù)集全鏈路交付體系覆蓋數(shù)學、物理、生物、工程等 10 余個專業(yè)方向基于真實科研工作流設(shè)計多步復雜任務(wù)運用「MCP 接口框架 專業(yè)工具調(diào)用」的方式要求 Agent 完成多步驟執(zhí)行采用自動化腳本評分的方式對模型解題產(chǎn)物進行評測并完整交付任務(wù)元數(shù)據(jù)、參考答案、運行軌跡與環(huán)境復現(xiàn)說明。最終交付的并非零散的單題樣本而是端到端可復現(xiàn)的標準化評測基準體系—— 其內(nèi)在的「任務(wù)定義 — 執(zhí)行驗證 — 結(jié)果反饋 — 能力迭代」邏輯正是 ScienceBuddy 遞歸閉環(huán)能力在產(chǎn)業(yè)場景的直接復用可直接用于多模型橫向?qū)Ρ扰c長程任務(wù)能力的持續(xù)迭代驗證。在沐晨看來從商業(yè)交付到科研合作本質(zhì)上是同一套底層能力的遷移商業(yè)場景打磨出的任務(wù)拆解能力、Rubric 標準化能力、過程可追溯能力、失敗分析能力平移到科研場景中就變成了科研任務(wù)定義、科學檢查標準、執(zhí)行軌跡記錄、驗證結(jié)果迭代的核心能力。變化的是應(yīng)用場景不變的是「把模糊需求轉(zhuǎn)化為可驗證、可迭代、可沉淀的標準與流程」這一核心邏輯。4.為什么是沐晨兩年跑通雙賽道的底層邏輯一家成立僅兩年的 AI 數(shù)據(jù)工程公司公司能同時跑通商業(yè)交付與前沿科研雙賽道既不是偶然的資源加持也不是短期的營銷造勢而是清晰差異化戰(zhàn)略下的必然結(jié)果。沐晨科技全稱為重慶沐晨人工智能科技有限公司2024 年 2 月正式成立核心團隊擁有豐厚的數(shù)據(jù)工程與模型評測經(jīng)驗合作客戶均來自頭部大模型廠商、AI 數(shù)據(jù)企業(yè)與科研機構(gòu)。創(chuàng)立之初團隊便避開了「堆人數(shù)、打低價」的低端數(shù)據(jù)標注紅海錨定長周期數(shù)據(jù)工程與評測運營這一高價值方向 —— 在他們的判斷里數(shù)據(jù)服務(wù)的核心壁壘從來不是人員規(guī)模而是可復用的標準、可驗證的流程與可持續(xù)沉淀的資產(chǎn)。正是這種「重標準而非堆數(shù)量、重長期而非做單次」的業(yè)務(wù)基因讓沐晨既能在商業(yè)交付中搭建起穩(wěn)定的全流程質(zhì)量體系也能將能力平滑遷移至科研場景支撐前沿項目的聯(lián)合研發(fā)。成立兩年間公司從 5 人核心團隊快速擴張至千余人規(guī)模同步開拓成都、西安等辦公場所以期吸納更多當?shù)厝瞬诺募尤?。業(yè)務(wù)線從大模型訓練數(shù)據(jù)生產(chǎn)逐步延伸至復雜任務(wù)評測、長周期數(shù)據(jù)運營再到前沿科研 AI 的聯(lián)合研發(fā)。按照公司 2026-2030 年三階段戰(zhàn)略規(guī)劃2026 年為根基強化期跑通能力定義與企業(yè)實施雙增長鏈2028 年形成 10 億元級年化收入能力完成高價值能力的規(guī)模化復制2029 年以港股 IPO 為資本化牽引啟動上市進程目標成長為 AI 基礎(chǔ)設(shè)施領(lǐng)域的核心服務(wù)商。5.總結(jié)當 AI 從「能用」走向「好用」從通用對話走向復雜任務(wù)與科學研究支撐模型迭代的底層基礎(chǔ)設(shè)施正在被重新定義。數(shù)據(jù)不再是一次性的生產(chǎn)資料而是貫穿模型迭代、任務(wù)執(zhí)行、科研驗證的持續(xù)運營要素。從商業(yè)交付到科研探索沐晨科技的成長路徑也是中國 AI 產(chǎn)業(yè)分工不斷細化的縮影。在頭部廠商聚焦模型能力突破的當下正是一批深耕底層工程、把標準與驗證做深做透的公司構(gòu)成了 AI 產(chǎn)業(yè)穩(wěn)步前進的地基。參考鏈接長期 AI 數(shù)據(jù)運營Long-horizon AI Data Operations沐晨科技沐晨科技面向復雜 AI 系統(tǒng)的長期數(shù)據(jù)工程與評測運營6.標準化的Agent測評任務(wù)項目描述“參與科學工具 Agent 的評測題集設(shè)計聚焦于真實科研與工程實踐的復雜任務(wù)要求 Agent 能夠在專業(yè)環(huán)境中理解任務(wù)目標、調(diào)用專業(yè)領(lǐng)域工具、完成多步驟執(zhí)行產(chǎn)出可驗證結(jié)果并進行評分?！彼詈诵牡墓ぷ骱芸赡懿皇菑牧汩_發(fā)一個 Agent 產(chǎn)品而是設(shè)計一套能夠檢驗 Agent 是否真正具備科研與工程實操能力的任務(wù)、測試流程和評分體系。這里的關(guān)鍵詞是四個詞評測題集設(shè)計一批可以重復執(zhí)行、用于比較模型能力的任務(wù)。專業(yè)工具要求模型真的使用工具而不是只憑語言模型知識回答。多步驟執(zhí)行任務(wù)往往需要規(guī)劃、執(zhí)行、檢查甚至根據(jù)中間結(jié)果調(diào)整方案?？沈炞C結(jié)果最終結(jié)果必須能用數(shù)據(jù)、代碼、文件、工具輸出或明確規(guī)則進行核驗。舉個例子假設(shè)要評測一個科研 Agent 能否分析實驗數(shù)據(jù)。普通問答題是“請解釋這組實驗數(shù)據(jù)的統(tǒng)計意義?！倍ぞ呤褂迷u測題可能是“讀取給定 CSV檢查缺失值和異常值按指定方法計算統(tǒng)計指標生成圖表再用獨立程序復核關(guān)鍵結(jié)果并提交分析報告?！焙笳卟粌H檢查答案是否正確還檢查 Agent 有沒有讀對文件、選對工具、執(zhí)行正確、處理異常以及最后是否真的產(chǎn)出了可驗證的結(jié)果。因此這個項目的直接產(chǎn)品很可能是“科研工具使用能力評測集”而不是面向終端用戶的科研 Agent 應(yīng)用。問題 1SCI 到底指什么項目評測哪些能力“這個項目主要面向科學與工程領(lǐng)域的 Agent。我們會把真實科研和工程工作流轉(zhuǎn)化成復雜任務(wù)讓 Agent 在指定環(huán)境中理解需求、調(diào)用專業(yè)工具、執(zhí)行多個步驟最終產(chǎn)出能夠驗證的結(jié)果。重點是科學與工程任務(wù)不只是傳統(tǒng)的學術(shù)文獻問答?！边@里的 SCI/Eng 更可能指 Science/Engineering即科學與工程場景而不是簡單等同于“SCI 論文檢索”。公開行業(yè)文章確實把業(yè)務(wù)稱為 Sci/Eng 場景 Agent 評測數(shù)據(jù)集并提到數(shù)學、物理、生物、工程等專業(yè)方向。問題 2實習生最終交付什么“主要交付標準化的 Agent 評測任務(wù)。每個任務(wù)要有明確的輸入條件、目標、執(zhí)行環(huán)境、驗收標準和參考結(jié)果根據(jù)任務(wù)類型還可能需要提供工具調(diào)用要求、自動評分腳本、運行軌跡和環(huán)境復現(xiàn)說明。部分任務(wù)需要專家復核確保評測結(jié)果可信?！边@類交付物已經(jīng)很接近一個標準化 Benchmark而不是一份簡單的標注表。比如一個完整任務(wù)可能需要以下材料交付物用途任務(wù)描述規(guī)定 Agent 要解決什么問題輸入文件與環(huán)境讓任務(wù)可以被重復執(zhí)行工具說明和約束規(guī)定可使用哪些工具、有什么限制參考結(jié)果與驗收標準明確什么結(jié)果才算完成驗證腳本或檢查規(guī)則盡量自動判斷結(jié)果是否正確執(zhí)行軌跡與錯誤分類分析 Agent 為什么成功或失敗問題 3日常工作究竟是寫代碼還是設(shè)計題目“工作包括閱讀真實科研流程、設(shè)計任務(wù)、明確評分標準、運行模型或 Agent、檢查工具調(diào)用結(jié)果、分析失敗案例。根據(jù)任務(wù)需要也會編寫 Python 腳本進行數(shù)據(jù)處理、結(jié)果校驗和自動化評分。”這很可能是整個項目最關(guān)鍵的分界線。如果主要工作是設(shè)計任務(wù)、整理參考答案、按規(guī)則審核模型輸出那么它屬于評測數(shù)據(jù)構(gòu)建。如果還需要運行 Agent、分析工具調(diào)用軌跡、定位失敗步驟那么它屬于Agent 能力評測。如果你還要開發(fā) MCP 工具適配器、執(zhí)行環(huán)境、自動評分器、任務(wù)運行框架那么它就進一步涉及Agent 評測工程開發(fā)。沐晨公開的 AI 訓練與評測崗位同時提到訓練數(shù)據(jù)建設(shè)、問題案例分析、自動化評測腳本和評測報告這說明公司確實有可能包含工程工作但不能據(jù)此推斷每一位項目實習生都能參與這些開發(fā)任務(wù)。問題 4怎么評價任務(wù)質(zhì)量和 Agent 能力“我們會根據(jù)任務(wù)的正確性、可執(zhí)行性、驗收標準的明確程度和評分結(jié)果的可靠性來審核題目。對于 Agent則關(guān)注任務(wù)是否完成、工具使用是否正確、執(zhí)行過程是否符合要求以及最終產(chǎn)物是否通過驗證。必要時結(jié)合自動評分與人工審核。”如果項目是成熟的 Agent Benchmark 建設(shè)那么重點不應(yīng)該只是“這個答案看起來對不對”而應(yīng)該有相對客觀的驗證機制。例如代碼任務(wù)運行測試用例檢查輸出是否符合要求。數(shù)據(jù)分析任務(wù)檢查統(tǒng)計量、輸出文件和計算過程。工具使用任務(wù)檢查工具選擇、參數(shù)、調(diào)用順序和實際結(jié)果?？蒲腥蝿?wù)檢查計算結(jié)果、證據(jù)來源、實驗條件和結(jié)論是否一致。問題 5這份實習到底會不會讓你接觸真實工程“項目包含真實科研與工程實踐中的復雜任務(wù)部分環(huán)節(jié)需要使用專業(yè)工具、編寫驗證程序或處理執(zhí)行環(huán)境。具體工作根據(jù)項目分工安排實習生可能參與任務(wù)設(shè)計、執(zhí)行驗證、數(shù)據(jù)質(zhì)量審核和評測自動化?！边@是一種最合理的模擬答復但也是最需要追問的地方因為它仍然沒有明確說明你是否能直接運行真實 Agent你是否有代碼倉庫和開發(fā)環(huán)境你是否負責開發(fā)而不只是使用已有工具你的代碼是否會被團隊合并、部署或用于正式評測。不能因為項目名稱里有“工具使用”和“Agent”就默認這些問題的答案都是肯定的。下面這部分比猜測招聘方會說什么更重要。你可以在面試時根據(jù)實際答復直接判斷崗位性質(zhì)。如果招聘方這樣回答就意味著什么還有兩種特別值得注意的回答如果招聘方說“題目要真實、復雜但不要求代碼只要判斷結(jié)果對不對”那么崗位大概率以領(lǐng)域評測和人工質(zhì)量控制為主。如果招聘方說“每道題都必須有運行環(huán)境、獨立驗證器和可復現(xiàn)軌跡”但沒有說明實習生是否開發(fā)這些組件那么項目本身技術(shù)含量可能較高但你個人獲得的技術(shù)經(jīng)驗仍取決于具體分工。把這個項目還原成一個真實工作案例假設(shè)項目需要測試 Agent 能不能分析一份實驗數(shù)據(jù)。下面是一個示意案例不是沐晨內(nèi)部的真實題目。在這個過程中實習生可能做的是其中任意一個環(huán)節(jié)也可能負責多個環(huán)節(jié)。環(huán)節(jié)你可能做的工作對應(yīng)能力任務(wù)設(shè)計把真實科研步驟轉(zhuǎn)成清晰的任務(wù)要求需求分析、任務(wù)拆解環(huán)境準備整理數(shù)據(jù)、工具接口、依賴和執(zhí)行條件數(shù)據(jù)處理、環(huán)境配置Agent 運行執(zhí)行模型任務(wù)、收集工具調(diào)用軌跡工具使用、運行調(diào)試結(jié)果驗證編寫檢查規(guī)則、獨立復算、審查證據(jù)Python、測試、科研嚴謹性評測分析分類錯誤、匯總評分、比較不同模型評測指標、統(tǒng)計分析這也解釋了為什么招聘方可能特別要求你描述一段真實研究流程并把它轉(zhuǎn)化為可以驗證的 Prompt他們需要的不是只有“會提問的人”而是能夠把一個專業(yè)問題轉(zhuǎn)化為可執(zhí)行、可驗證、可評分的任務(wù)的人。7.這家公司真正的定位我會把它分成三層結(jié)合沐晨官網(wǎng)、校招崗位和 Sci/Eng 項目相關(guān)報道我認為需要區(qū)分三個層面。那么這家公司是在“做 AI”還是在“給 AI 公司打工”更準確的答案是它是一家以企業(yè)客戶項目為導向的 AI 技術(shù)服務(wù)商技術(shù)服務(wù)與數(shù)據(jù)交付是商業(yè)模式的重要組成部分。這和基礎(chǔ)模型廠商的業(yè)務(wù)模式不同。模型廠商可能重點投入模型架構(gòu)、預訓練、后訓練和推理基礎(chǔ)設(shè)施沐晨公開展示的重點則是把客戶的能力要求轉(zhuǎn)化為數(shù)據(jù)、評測任務(wù)、驗證標準和可交付結(jié)果。這種商業(yè)模式并不意味著沒有技術(shù)含量。復雜的 Agent 評測可以涉及 MCP 工具接口、可復現(xiàn)環(huán)境、自動評分器和執(zhí)行軌跡分析。但對求職者而言必須區(qū)分公司具備什么能力與你所在崗位實際負責什么。對你個人而言最重要的不是公司定位而是項目能否讓你積累工程經(jīng)驗你已有科研論文和 Legal_RAG 項目。對你未來求職 AI Agent 工程、AI 應(yīng)用開發(fā)或評測工程崗位而言這份實習的價值取決于它能否補足你現(xiàn)有經(jīng)歷的某一塊。實習實際內(nèi)容對你的價值我的建議僅設(shè)計 Prompt、參考答案和人工評分有助于理解模型評測但工程積累較弱可作為短期經(jīng)歷不宜把它當成 Agent 開發(fā)的核心經(jīng)歷設(shè)計復雜任務(wù)并實際運行 Agent能補充工具使用和執(zhí)行軌跡分析經(jīng)驗值得考慮編寫驗證腳本、自動評分和回歸測試能積累 Python、測試和 AI Evaluation 工程經(jīng)驗比純?nèi)斯ぴu測更值得爭取開發(fā) MCP 工具、執(zhí)行環(huán)境和評測框架能形成較實質(zhì)的 Agent 工程經(jīng)歷如果屬實最值得爭取有機會把評測流程沉淀為可復用工具或開源成果能形成面試時可展示的工程證據(jù)優(yōu)先爭取但注意客戶保密要求我給你的最終判斷對這個項目我會暫時給出以下定位項目目標科學與工程場景的 Agent 工具使用能力評測。核心工作把真實專業(yè)工作流轉(zhuǎn)化為復雜、可復現(xiàn)、可驗證、可評分的評測任務(wù)。最可能的基礎(chǔ)工作任務(wù)設(shè)計、參考結(jié)果整理、評分規(guī)則制定和質(zhì)量審核?？赡艿募夹g(shù)工作Agent 執(zhí)行、MCP 工具調(diào)用、運行軌跡分析、自動化評分和驗證腳本。尚未確認的關(guān)鍵點實習生是否親自開發(fā) Agent 工具鏈還是主要使用已有平臺生產(chǎn)評測數(shù)據(jù)。因此我不會直接把這份實習判定為“數(shù)據(jù)標注”也不會直接認定它是“Agent 開發(fā)”。更準確地說它是一個以 Agent 評測數(shù)據(jù)集建設(shè)為目標、可能包含評測工程開發(fā)的項目。你面試時最值得確認的只有一個核心問題“請問實習生需要從零編寫和維護哪些代碼最終交付的是評測題集和評分數(shù)據(jù)還是還需要開發(fā)工具接口、自動驗證腳本和 Agent 評測框架”如果招聘方能明確回答具體模塊、代碼語言、開發(fā)環(huán)境、驗收標準和交付形式你就能判斷這是不是一份真正適合你技術(shù)成長的實習。