岗位职责
- Agent 工程架构落地 ● 主导 Agent 核心架构设计，构建基于 Planning/Memory/Tool-use 的高性能编排引擎，实现复杂任务的自动化规划与执行；基于 MCP (Model Context Protocol) 标准构建可扩展工具链，深度优化 Function Calling，实现 Agent 与企业系统的无缝互通； 落地 Agentic RAG 与 GraphRAG，构建支持多跳推理与动态更新的长效记忆系统，突破长上下文知识瓶颈。 ● 推理策略与调优： 设计混合路由策略，主导面向 Tool-use 场景的模型微调（SFT/DPO）与 Prompt 优化，平衡推理速度与深度。 ● 评估与可观测性： 搭建端到端 Eval Framework，建立基于决策轨迹 、工具准确率、自愈率 的自动化监控闭环。
- Agent 应用场景落地 ● 负责技术预研、架构设计、业务模型抽象及功能开发保持对业务场景的敏锐洞察，快速熟悉业务流程并理解业务痛点，沟通并分析产品需求，制定技术方案，设计与研发核心系统及模块，推动产品快速迭代 ● 全栈交付与定制： 主导 AI 原生应用 的端到端交付，打通从大模型推理、Agent 业务流编排到前端用户交互界面的全链路，独立或主导完成 AI 应用的开发与上线
职位要求
- 计算机、人工智能、数学等相关专业本科及以上学历；具备 3 年以上后端研发或 AI 算法工程落地经验，有实际生产环境的 AI 应用调优经验。
- 精通 Python、Go、Java 或 node中至少一门，具备高并发、高可用分布式系统的架构设计与排坑能力。
- 具有Agent 前沿框架实战经验：需深刻理解并熟练使用当前主流的高阶 Agent 框架（如 LangGraph, PydanticAI, LlamaIndex Workflows, CrewAI, AutoGen, smolagents 等），有源码级定制或彻底重构经验优先。
- 深入理解 Transformer 机制及主流大语言模型的优劣势（Qwen, DeepSeek, Gemini, Claude, OpenAI 等）；熟悉基于大语言模型的推理范式（ReAct, CoT, ToT, Plan-and-Solve）。
- 熟悉向量数据库（如 Milvus, Qdrant）的使用与调优；熟悉图数据库（如 Neo4j, NebulaGraph）并在知识图谱/GraphRAG 领域有实践经验。
- 有Agent 应用研发或行业、垂类应用经验，有全栈或前后端综合迭代能力以及快速学习能力，对复杂企业应用或成规模的用户应用有架构实践，擅长对产品问题进行量化分析和测评，具备用户视角的体验优化经验
- 极强的技术嗅觉（时刻保持对 arXiv 最新论文和开源社区的跟进）；具备优秀的业务拆解能力，能够将模糊的商业需求转化为清晰的 Agent 工程链路。 【加分项】
- 开源贡献：作为核心开发者参与知名开源 AI/Agent 项目，或在 GitHub 上有高 Star 相关的开源项目
- 复杂系统落地：主导过复杂的 Multi-Agent 系统从 0 到 1 的落地，并产生显著实际业务价值的案例
- 模型微调实战：具备针对 Agent 场景独立进行数据工程合成与模型对齐训练（如强化学习 RLHF/GRPO 提升推理能力、SFT 提升工具调用精准度）的实战经验。
- 重点应用领域架构能力。如：搜索、内容、客服、营销、电商等平台领域经验
