AI应用研发工程师（AI 代码图谱方向）

优缺点分析

角色解读

• 技术上可深耕代码智能领域，成为静态分析或 AI Agent 方向的技术专家
• 产品向上可主导代码智能平台的架构演进，成为 AI 工程化团队的负责人
• 横向可拓展至游戏引擎、编译器优化等底层系统方向，或转岗至其他 AI 基础设施团队
• 设计和实现多语言代码的静态分析管线，使用 Tree-sitter 或 LSP 提取符号与调用关系，构建知识图谱
• 将代码图谱封装为 MCP Server，编写 Agent 插件以实现自动上下文注入，优化 Token 预算
• 开发混合检索系统，结合全文搜索、向量搜索和图查询，支持代码相关性排序和影响分析
• 与 CI/CD 集成，确保图谱增量更新，并解决大规模仓库的索引性能问题
• 扎实的多语言编程能力（Python/TypeScript/C++/Lua），并能借助 AI 快速入门新语言
• 熟悉编译原理基础，具备 AST 解析、Tree-sitter 或类似框架的实际使用经验
• 掌握图算法（PageRank、社区发现等）和图数据库（Neo4j、KùzuDB），能构建和查询知识图谱
• 深入使用过 LLM 应用（GPT/Claude），有 Agent 开发、RAG、Function Calling 的实战经验

申请策略

• 在简历和面试中强调你对 AI Coding 的热情，比如日常使用 Cursor/Claude Code 的经验和思考
• 了解网易游戏的技术生态，尤其是其游戏代码规模，展示你对大规模仓库挑战的理解
• 突出你在静态分析或图数据库方面的项目经验，如搭建过代码解析管线或使用 Neo4j 进行依赖分析
• 展示 LLM 应用相关的实战成果，如开发过 Agent、RAG 系统或参与过 MCP 插件开发
• 如果有开源项目贡献（特别是代码智能领域），应重点列出，并简要说明你的角色和影响
• 若尚不熟悉 Tree-sitter 或 LSP，建议快速学习并写一个简单的语言解析器 Demo
• 补充图算法和图数据库知识，可练习使用 Neo4j 构建一个小型代码关系图谱
• 深入理解 MCP 协议，尝试基于官方 SDK 开发一个简单的 MCP Server

面试指南

• 对于系统设计题，先明确需求边界，再列出核心组件（解析、存储、检索），接着讨论选型理由和 trade-off
• 对于经验题，使用 STAR 法则：情境、任务、行动、结果，突出你解决的具体问题和量化效果
• 对于算法题，先解释算法原理，再结合实际代码分析场景说明如何适配
• 如何设计一个支持多语言的 AST 解析管线？你会选择哪些工具和技术？
• 代码图谱中的增量索引如何实现？如何保证实时性？
• 描述一个你使用 LLM 进行 Agent 集成的项目，遇到过哪些 Token 预算问题？
• 图算法（如 PageRank）在代码分析中有哪些应用？举例说明
• 如何评估你的代码图谱系统的性能？在百万行代码仓库中可能存在哪些瓶颈？