岗位职责
- 区分夫妻店与连锁品牌的差异化诉求并转化为产品设计；把品类 know-how 沉淀为可注入的判据，让 Agent 从"念数字"走向"下判断"；
- 在有限 Token 窗口内组织、裁剪、排序商家画像、记忆、域知识与工具；读 Trace 定位上下文冗余与无效调用，让 Token 消耗可预算；
- 任务拆解、Agent 间路由与上下文传递；权衡单 Agent 直出与多 Agent 协作，避免"超级 Agent"与"过度拆分"两个极端；
- 用检查点 / 可中断 / 可恢复控住长任务漂移；用降级、置信度表达、Human-in-the-loop 应对概率性出错；
- 预检 / 策略 / 决策 / 围栏 / 执行五层评测定位失效环节；区分链路短板与策略本身不对，决定修能力还是改策略；
- 读 Trace、写 System Prompt 并按 Eval 迭代；用qoder等AI 工具快速搭 demo 验证方案；
- 评审他人方案、识别架构级问题；与研发就 Agent 架构、接口合约做技术协商。
职位要求
- 对 LLM 能力边界有体感：擅长什么、容易在哪出错、幻觉意味着什么；
- 对上下文工程与multi-agent范式有认知：Context Window、裁剪、记忆注入、Function Calling如何影响效果与成本；Agent 分工、路由、单vs多的取舍；
- 理解长任务可控性：检查点、中断、恢复、降级机制的价值；
- 有商家/服务商等B端产品经验；能和研发讨论API设计、理解 Agent多轮执行逻辑；
- 能亲手写skill/设计Agent任务并按效果迭代；数据驱动，先建基线再谈提升。 加分项 ● 上下文管理实战（长上下文成本、记忆系统、压缩/检索、分域知识组织）； ● Multi-agent编排设计（路由、任务分解、Agent间通信、检查点与恢复）； ● 数据闭环运转经验（评测→归因→修复→验证，当天级）； ● Eval体系设计：定义「什么算好」的标准与度量，而非只写测试用例； ● Token 成本优化（Context Length、Cached Token、轮次控制）； ● 用AI工具快速搭原型，带demo开会； ● 餐饮、零售、本地生活等行业的商家端产品经验。
