搜狐
资深推荐算法工程师
资深推荐算法工程师
发布于 大约 17 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
RAG
LLM
向量数据库
Prompt Engineering
AI Agent
任务调度
工具调用
记忆系统
AI 估算 · 25k–45k
AI Agent方向火热，技能难度高，北京市场竞争力强，资深岗位薪资有竞争力。
职位详情
关于这个职位
这是一个专注于AI Agent核心系统开发的资深岗位，涉及任务拆解、工具调用、记忆管理、LLM集成等前沿技术
你将负责设计可复用的执行引擎与记忆系统，优化Prompt工程并跟踪前沿技术动态，推动AI Agent在垂直场景的落地
适合对LLM和Agent架构有深入经验的技术人才
最低要求
本科及以上学历，计算机、人工智能、自动化、数学等相关专业，2-3年AI Agent、LLM应用开发或相关领域工作经验，有完整的AI Agent项目落地经历（核心模块开发/全流程参与）
精通Python编程，具备扎实的工程代码能力与数据结构、算法基础，熟悉Linux开发环境，能编写清晰、健壮、可维护的生产级代码
了解Go语言者优先
深入理解AI Agent核心原理，熟悉至少一种主流Agent框架（LangChain、LlamaIndex、AutoGen、CrewAI等），掌握LCEL表达式、工具调用、记忆管理等核心用法，有实际项目应用经验
熟悉大语言模型（LLM）的应用与集成，了解主流LLM API（OpenAI GPT、国内大模型等）的调用与优化，掌握提示工程、检索增强生成（RAG）技术，理解向量数据库（Milvus、Pinecone等）的应用场景与使用方法
掌握Agent核心技术架构，了解ReAct、PlanAct、CodeAct等推理框架，具备任务调度、异步执行或状态机相关系统设计经验，能独立解决Agent开发过程中的复杂技术问题
具备良好的跨团队沟通能力、项目管理能力与问题解决能力，有较强的自驱力和技术探索欲，能快速学习新技术并落地到实际业务场景中
工作职责
负责AI Agent核心系统的设计与开发，聚焦任务拆解、工具调用、上下文管理及Agent Loop调优，落地可复用的执行引擎
负责Agent记忆系统的设计与实现，包括短期记忆、长期记忆的分层管理，优化记忆存储、检索与更新机制，实现记忆与任务执行的深度联动，提升Agent的上下文连贯性与决策合理性，保障系统的稳定性与可扩展性
负责Agent与业务系统、外部工具的深度集成，设计标准化工具接口（Function/API），对接向量数据库等组件，构建Agent+RAG协同架构，提升Agent在垂直场景的可靠性与实用性
主导Prompt工程落地与优化，结合ReAct、CoT等推理框架，设计高效的提示词模板，建立提示词版本控制与效果评估机制，持续提升Agent的推理决策能力与任务成功率
负责Agent系统的性能优化与问题排查，包括响应延迟优化、并发能力提升、错误容灾机制设计，构建日志采集、链路追踪体系，保障大规模场景下的系统稳定性
跟踪AI Agent、LLM、RAG等前沿技术动态，评估新技术的应用价值，完成技术原型验证与产品化落地，推动团队技术能力迭代升级
配合产品团队，将业务需求转化为可执行的技术方案
AI 洞察
优缺点分析
优点
- 深入AI Agent前沿技术栈，积累核心系统设计经验，市场稀缺度高
- 搜狐为上市公司，平台稳定，资源充足，能接触大规模业务场景
- 技术自主性高，从架构到落地全流程参与，成长空间大
- 紧跟LLM、RAG等热点，个人技术影响力提升快
- 系统复杂度高，性能优化和稳定性保障任务较重
- 跨团队协作频繁，对沟通和项目管理能力有一定要求
缺点 / 挑战
- AI Agent技术迭代快，需要持续学习，工作压力可能较大
- 适合对AI Agent和LLM有浓厚兴趣、具备较强工程能力、喜欢挑战前沿技术的工程师
角色解读
- 资深Agent工程师 → AI架构师 → 技术负责人/团队Leader
- 横向扩展至LLM应用、多模态AI或通用人工智能方向
- 参与前沿技术预研，推动产品化落地，成为领域专家
- 设计和开发AI Agent核心系统，包括任务拆解、工具调用、上下文管理及执行引擎优化
- 实现Agent记忆系统，管理短期与长期记忆，提升决策连贯性
- 集成业务系统与外部工具，设计标准化接口，构建Agent+RAG协同架构
- 主导Prompt工程优化，结合ReAct、CoT等框架，持续提升Agent推理能力
- 精通Python编程，扎实的数据结构与算法基础
- 深入理解AI Agent原理，熟悉LangChain等主流框架
- 掌握LLM应用与集成，熟练使用Prompt Engineering和RAG技术
- 熟悉Agent架构如ReAct、PlanAct，具备任务调度与系统设计经验
申请策略
- 关注搜狐在AI Agent方向的产品布局，面试时展示对业务场景的理解
- 提前准备一个Agent系统的设计文档或Demo，体现技术深度
- 重点描述AI Agent或LLM应用的完整项目经历，突出核心模块设计与落地效果
- 展示Python工程能力，如代码质量、系统设计、性能优化案例
- 提及使用过的Agent框架（LangChain等）及具体实现细节
- 附带Prompt优化或RAG集成的成果，如提升任务成功率的量化指标
- 深入学习LangChain、LlamaIndex等框架的源码和最佳实践
- 加强向量数据库（Milvus/Pinecone）的使用经验，熟悉RAG架构
面试指南
- 针对系统设计类问题：先明确需求与约束，再分模块描述架构（如执行引擎、记忆、工具），最后说明权衡与优化
- 针对问题排查类问题：采用结构化方法，从日志分析、链路追踪到复现问题，逐步定位根因，并给出改进方案
- 针对原理类问题：清晰定义概念，对比不同方案的优缺点，结合实际项目经验举例说明
- 请描述你设计的一个AI Agent系统，包括核心架构、记忆管理和工具调用机制
- 如何优化Agent的响应延迟和并发性能？遇到过哪些挑战？
- 解释ReAct和PlanAct的区别，并说明在什么场景下选择哪种框架
- 你如何评估Prompt模板的效果？如何与RAG结合？
- 如果Agent在复杂任务中频繁失败，你会如何排查和解决？
匹配度报告
70
综合匹配度
前沿AI Agent技术岗，发展空间大但现场固定办公，适合技术驱动型人才。
适合人群
最适合追求技术前沿、注重个人能力和行业竞争力成长的求职者，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展90
工作生活50
使命价值75
薪资福利匹配
65中等
薪资未在JD中披露，但搜狐作为上市公司，薪资水平通常具有竞争力；JD未提及具体福利，补偿性动机满足度中等。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
该职位聚焦AI Agent、LLM、RAG等前沿技术，能深度参与核心系统设计与落地，技术成长空间大。
技术前沿前沿/新兴技术
技术栈AI Agent、LLM、RAG、Prompt Engineering、LangChain、向量数据库、ReAct、CoT
业务类型profit_center
工作生活匹配
50较低
JD未提及远程或弹性工作，明确要求现场办公，且未涉及WLB相关承诺，生活方式自由度较低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
75中等
AI Agent是当前高速增长的赛道，技术创新性强，但与社会使命感关联不直接，意义感动机中等偏上。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs