中国平安
资深 Agent算法工程师
资深 Agent算法工程师
发布于 大约 2 个月前普通员工/个人贡献者
深圳市
专家级经验
全职员工
仅现场办公
本科
软件工程
强化学习
RAG
LLM
AutoGPT
GPT-4
CoT
Qwen
Crewai
广告科技
AI 估算 · 40k–70k
资深算法工程师+大厂+前沿技术栈，薪资竞争力强，月薪4-7万合理。
职位详情
关于这个职位
该职位负责基于大语言模型构建营销智能体系统，涉及推理架构设计、多模态工具链集成、记忆与知识管理以及强化学习优化
你将参与从内容生成到自动化分发的全链路开发，需要深厚的LLM应用和智能体框架实战经验
适合具备复杂决策场景落地经验的技术专家
最低要求
核心技术能力 •大模型深度应用：精通主流LLM（如GPT-4, Claude 3, Llama 3, Qwen等）的特性与局限性，深入理解Prompt Engineering的底层原理，能通过预训练或微调（SFT/LoRA）提升模型在特定指令下的执行效能
•智能体框架实战：熟练掌握或深入研究过LangChain, AutoGPT, CrewAI等开源框架，但具备不依赖框架从底层构建Agent系统的能力，特别是在处理长序列决策（Long-term Trajectory）时的稳定性优化
•工程化能力：精通Python，熟悉向量数据库（Milvus, Pinecone, Chroma）的索引策略与性能调优
具备处理高并发、异步任务编排的系统设计经验
工作职责
营销Agent架构设计与实现 基于LLM构建具备自主规划（Planning）能力的Agent系统
针对营销策略拆解、创意生成、广告投放优化等环节，设计并实现ReAct、CoT (Chain of Thought)、ToT (Tree of Thoughts)等推理架构
多模态工具链集成 (Tool/Action Use) 研发高效的Function Calling与API编排机制，使Agent能够精准驱动视觉生成引擎、投放平台API及企业内部数据库，实现从内容生产到自动化分发的无缝衔接
记忆与知识管理系统 (Memory & RAG) 构建面向营销场景的长期记忆机制与高性能RAG (Retrieval-Augmented Generation)系统
整合行业知识库、历史成交案例、品牌调性约束，确保Agent在长周期线索跟进中的上下文一致性与专业度
业务闭环驱动的强化学习与对齐 利用业务端产生的真实转化数据（线索质量、成交率），优化Agent的决策逻辑，使Agent的推荐策略与生成内容向高转化率目标演进
优先资格
专项经验要求 •复杂决策场景经验：有实际落地过多步推理任务或多智能体协作（Multi-Agent System）项目的经验
能解决Agent在实际业务中常见的“幻觉”、循环逻辑及指令偏移问题
•全链路业务理解：具备营销/广告科技（Ad-Tech）背景优先
AI 洞察
优缺点分析
优点
- 前沿技术栈：深度接触LLM、Agent、RAG等最热门AI技术，技能积累价值高
- 大平台资源：平安集团数据丰富、业务场景真实，有利于技术落地和成果产出
- 行业前景好：AI营销是高速增长赛道，经验可迁移至金融、电商等领域
- 技术难度高：需要同时掌握LLM、工程化、多模态集成等多方面技能，学习曲线陡峭
- 竞争激烈：大厂资深岗位吸引众多顶尖人才，面试门槛高
- 适合具备扎实LLM和Agent实战经验、对AI营销有浓厚兴趣、渴望在技术深度和业务影响力上同时发展的资深算法工程师
缺点 / 挑战
- 业务压力大：营销场景对转化率敏感，模型效果直接影响业务指标，可能面临快速迭代要求
角色解读
- 技术纵深发展：成为LLM Agent领域的专家，主导更复杂的多智能体协作系统
- 管理方向：晋升为技术负责人或团队Leader，带领算法团队
- 业务转型：深入广告科技领域，结合业务理解成为AI营销解决方案架构师
- 设计和实现基于LLM的营销智能体系统，包括推理架构（ReAct、CoT、ToT）的搭建与优化
- 研发多模态工具链集成，通过Function Calling和API编排驱动视觉生成、投放平台及数据库
- 构建面向营销场景的记忆与RAG系统，确保Agent在长周期任务中的上下文一致性
- 利用业务转化数据通过强化学习优化Agent决策逻辑，提升推荐和内容生成效果
- 精通主流LLM（GPT-4、Claude 3等）及Prompt Engineering、微调技术
- 熟练掌握LangChain、AutoGPT等智能体框架，并能从底层构建Agent系统
- 精通Python，熟悉向量数据库（Milvus、Pinecone等）及高并发系统设计
- 具备多步推理或多智能体协作项目落地经验，能解决幻觉、循环逻辑等问题
申请策略
- 提前了解平安的营销业务场景，思考Agent如何赋能现有流程
- 准备一个完整的Agent系统设计案例，从需求到技术选型再到落地效果
- 突出LLM应用项目经验，特别是Agent系统设计、多步推理、多智能体协作的落地案例
- 强调工程化能力，如高并发系统设计、向量数据库性能调优、异步任务编排
- 展示营销或广告科技背景，如投放优化、用户增长、转化率提升相关项目
- 量化成果：如通过Agent系统提升转化率X%、降低人工成本Y%等
- 补充强化学习知识，特别是基于真实业务数据的决策优化方法
- 熟悉主流向量数据库（Milvus、Pinecone）的索引策略和性能调优
面试指南
- STAR法则：描述情境、任务、行动、结果，突出技术选型和难点解决
- 对比分析：对比不同方案（如ReAct vs ToT）的优劣，展示技术深度
- 数据驱动：强调如何用业务数据（转化率、线索质量）优化Agent
- 请描述你设计过的一个Agent系统，包括推理架构、工具集成和记忆管理
- 如何解决Agent在实际业务中的幻觉和循环逻辑问题？
- 你如何评估和优化Agent的决策效果？请结合具体指标
- 在多智能体协作场景中，你如何协调不同Agent的任务和通信？
- 请谈谈你对RAG系统的理解，以及如何提升检索质量和上下文一致性
匹配度报告
70
综合匹配度
大厂资深算法岗，前沿AI技术栈，高薪但WLB一般。
适合人群
适合追求技术成长和薪资回报、能接受高强度工作的资深算法工程师。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利匹配
80较高
大厂资深岗位，薪资水平高，福利完善，但JD未明确具体薪资和福利细节。
薪资信号未披露（AI估算：40K-70K/月）
成长发展匹配
90较高
职位涉及LLM、Agent、RAG等前沿技术，成长空间大，但JD未提及晋升路径。
技术前沿前沿/新兴技术
技术栈LLM、GPT-4、Claude 3、Llama 3、Qwen、LangChain、AutoGPT、CrewAI、Python、Milvus、Pinecone、Chroma、RAG、ReAct、CoT、ToT、Function Calling、强化学习
业务类型profit_center
工作生活匹配
40较低
JD未提及远程或弹性工作，深圳现场办公，可能面临高强度工作。
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
70中等
AI营销赛道高速增长，但社会影响力中性，创新程度高。
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