格步
Senior Software Engineer, Backend (AI Agent)
Senior Software Engineer, Backend (AI Agent)
发布于 6 个月前普通员工/个人贡献者
Singapore, Singapore
高级经验
全职员工
仅现场办公
学历未注明
软件工程
System Design
Generative AI
GO
LangGraph
RAG
薪资面议
暂无薪资依据说明。
职位详情
关于这个职位
这是一个专注于AI Agent后端开发的高级软件工程师职位
你将加入Grab的Merchant AI Assistant团队，负责设计、构建和维护支持东南亚商户的AI解决方案
核心工作涉及对话编排、工具调用、状态管理以及RAG管道的开发与优化，旨在通过AI技术赋能商户，提升其运营效率和业务洞察
最低要求
年以上专业编程经验，精通Python和Go语言
在AI Agent框架（LangChain, LangGraph）方面有丰富经验，熟悉RAG管道和向量数据库
扎实的后端技术基础：微服务、数据库、缓存和消息队列
优秀的系统设计能力，注重代码质量和可扩展性
对生成式AI充满热情，愿意将前沿研究转化为实际应用
工作职责
设计和实现核心AI Agent模块，包括对话编排、工具调用以及内存/状态管理
通过提示工程、LangChain和LangGraph优化Agent性能，确保可靠高效的执行
构建和维护基于向量数据库和缓存的检索增强生成（RAG）管道，以支持大规模部署
快速原型化和验证新的Merchant AI Assistant功能，从概念迭代到价值验证
推动大规模Agent系统的架构决策，确保其可靠性、可扩展性和高效编排
定义并实施评估基准和自动化管道，以衡量Agent在准确性、延迟、鲁棒性和用户满意度方面的性能
与产品经理和研究人员紧密合作，验证新的Merchant AI Assistant功能并确保其产生实际的业务影响
优先资格
具备前端技能（React/Flutter/Web），能够构建轻量级的AI原型和评估工具
AI 洞察
优缺点分析
优点
- 你将接触到AI Agent和RAG等最前沿的技术栈，在东南亚领先的超级应用平台上进行大规模实践，技术积累价值高
- 公司提供全面的福利保障，包括医疗保险和灵活福利计划，关注员工福祉
- 加入一个旨在用AI赋能中小商户的团队，工作具有显著的社会影响力和商业价值
- 工作需要将快速发展的AI研究转化为稳定、可靠的商业产品，技术迭代快，对学习能力和工程化能力要求高
- 团队目标宏大，需要紧密跨部门协作（产品、研究），对沟通和项目推进能力是考验
- 适合拥有扎实后端工程基础，并对将生成式AI技术应用于解决真实商业问题充满热情和动力的资深软件工程师
缺点 / 挑战
- 作为核心后端工程师，需要确保AI系统7x24高可用、低延迟，运维和故障排查压力较大
角色解读
- 在这个岗位上，你可以从AI Agent工程师成长为该领域的专家，深入掌握大语言模型应用、复杂系统编排等前沿技术
- 职业路径可向技术专家（如首席工程师）或技术管理（如工程经理）方向发展，负责更复杂的AI产品或技术团队
- 长期来看，积累的经验将使你在AI驱动的产品开发和企业级解决方案架构领域极具竞争力
- 你将负责AI Agent后端系统的核心开发，包括设计对话流程、实现工具调用逻辑以及管理Agent的状态和记忆
- 你需要构建和优化RAG管道，整合向量数据库，以支持AI对商户数据的理解和响应
- 此外，你将参与新功能的快速原型验证，并负责设计确保系统高可靠性和可扩展性的架构方案
- 你需要精通Python和Go，并具备使用LangChain、LangGraph等框架构建AI Agent的实际经验
- 扎实的后端技术栈知识是必须的，包括微服务、数据库和缓存系统
- 优秀的系统设计能力，能够为高并发、大规模的AI应用设计可靠架构
- 对生成式AI技术有强烈热情，并能将前沿研究落地为实际产品功能
申请策略
- 深入了解Grab作为东南亚超级应用的业务生态，特别是其商户端（mexApp）的产品逻辑，思考AI如何为其创造价值
- 在申请和面试中，展现出你对‘用技术驱动东南亚前进’这一公司使命的认同，以及将技术热情与商业洞察相结合的能力
- 重点突出使用Python/Go开发后端系统，特别是微服务和分布式架构的经验
- 详细描述你参与过的AI项目，尤其是使用LangChain/LangGraph构建Agent或RAG管道的具体细节、挑战和成果
- 展示你在系统设计方面的能力，例如如何设计一个高可用的服务或优化数据库性能
- 如果有，提及与产品经理协作，将AI功能落地并产生业务影响的项目经历
- 如果对LangGraph或高级Agent编排模式不熟，建议通过官方文档和开源项目进行针对性学习和实践
- 复习和深化对向量数据库（如Pinecone, Weaviate）和缓存策略（如Redis）在AI场景下的应用理解
面试指南
- 对于技术问题，采用STAR原则（情境、任务、行动、结果）来组织答案，清晰阐述技术决策背后的权衡
- 对于系统设计问题，先从需求澄清开始，然后分层（数据层、服务层、应用层）讨论核心组件和它们之间的交互，最后考虑扩展性、容错和监控等非功能需求
- 在回答中，不仅要展示技术深度，也要体现出产品思维和以业务结果为导向的思考
- 请描述一个你使用LangChain或类似框架构建AI Agent的经历，你遇到了哪些挑战，是如何解决的？如何为一个需要调用多种外部工具（如查询数据库、调用API）的AI Agent设计一个可靠且高效的编排系统？请设计一个支持海量商户文档检索的RAG系统，你会考虑哪些组件、数据流和性能优化点？请分享一个你负责的微服务系统的架构设计，你是如何保证其可扩展性和故障恢复能力的？当AI Agent的响应准确性或延迟不达标时，你的排查和优化思路是什么？
- 深入复习AI Agent、RAG、向量数据库相关的核心概念、工作流程和最佳实践
- 精心准备2-3个最能体现你技术能力和项目贡献的详细案例，并确保能清晰阐述技术细节
- 研究Grab的商业模式、主要产品线以及其在东南亚市场的竞争地位，思考AI技术可能的应用场景
职位点评
Watch Jobs