多点数智
AI工程师-Agent Memory & RAG 方向（成都）
AI工程师-Agent Memory & RAG 方向（成都）
发布于 大约 2 个月前普通员工/个人贡献者
成都市
无经验要求
全职员工
仅现场办公
本科
软件工程
PyTorch
RAG
TensorFlow
GPT
Faiss
AI 估算 · 15k–25k
AI Agent方向技术前沿，成都互联网薪资水平中等，应届生起薪约15-25K/月，14薪
职位详情
关于这个职位
该职位专注于AI Agent的记忆与检索增强生成（RAG）方向，负责优化长期记忆表征、建设检索链路（索引/召回/排序）以及构建评价体系
你将参与前沿技术探索，如Graph RAG和MemGPT，解决Agent的“幻觉”和“遗忘”问题
适合对NLP、信息检索和深度学习有扎实基础，并对AI Agent有强烈好奇心的2026届毕业生
最低要求
届本科及以上学历，计算机科学、数学、人工智能等相关专业
熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，有扎实的数据结构与算法基础
熟悉 NLP 基础，深入理解 Transformer, BERT, GPT 结构
熟悉 信息检索 (IR) 理论，了解向量检索（如 Faiss, Milvus, Chroma）及混合检索机制
具备良好的论文阅读复现能力，对解决 Agent "幻觉" 和 "遗忘" 问题有强烈的好奇心
工作职责
Agent 记忆表征优化：负责 Agent 长期记忆（Long-term Memory）的表征学习工作
基于业务场景微调 Embedding 模型，提升语义向量在特定语境下的表达能力
检索链路建设 (Index/Recall/Ranking)： Index：设计高效的记忆存储结构（向量索引 + 稀疏索引），解决记忆碎片化问题
Recall：优化多路召回策略（语义召回、关键词召回、时间衰减召回等），确保关键信息不遗漏
Ranking：设计精排模型（Cross-encoder 或 LLM-based Rerank），根据当前 Query 的上下文，对召回的记忆进行相关性重排序
评价体系构建：建立 Agent 记忆模块的离线与在线评估体系
设计并计算相关性指标（如 Precision, Recall, MRR, NDCG），通过数据驱动记忆模块的迭代
前沿探索：跟进 Generative Agents, MemGPT 等前沿论文，探索 Graph RAG (知识图谱结合) 等更高级的记忆形态
优先资格
加分项：有 Search/Ads/RecSys（搜索/广告/推荐）实际项目经验者优先
熟悉 LangChain, LlamaIndex 等框架源码，或有 RAG 相关落地经验者优先
AI 洞察
优缺点分析
优点
- 技术前沿，聚焦AI Agent和RAG方向，行业需求旺盛，技能积累价值高
- 公司为零售数字化领域知名企业，平台稳定，项目落地场景明确
- 工作内容涵盖算法、工程和评估，综合能力提升快
- Agent记忆问题尚在探索阶段，可能面临较多不确定性
- 作为应届生岗位，竞争可能激烈，需要较强的自驱力和研究能力
- 适合对AI Agent和NLP有浓厚兴趣、具备较强研究能力和工程能力的2026届毕业生
缺点 / 挑战
- 技术难度较高，需要同时掌握NLP、IR和深度学习，学习曲线陡峭
角色解读
- 从Agent记忆模块入手，逐步成长为AI Agent领域的专家
- 可向高级算法工程师、技术负责人方向发展，或转向更广泛的AI应用研究
- 积累RAG和记忆系统经验后，可跳槽至头部互联网公司或AI创业公司
- 优化Agent长期记忆表征，微调Embedding模型以提升语义向量在特定场景下的表达能力
- 建设检索链路，包括设计高效索引结构、优化多路召回策略以及开发精排模型
- 构建离线与在线评估体系，通过相关性指标驱动记忆模块迭代
- 跟踪前沿论文，探索Graph RAG等高级记忆形态
- 扎实的Python编程能力和深度学习框架（PyTorch/TensorFlow）使用经验
- 深入理解NLP基础，熟悉Transformer、BERT、GPT等模型结构
- 掌握信息检索理论，了解向量检索（Faiss、Milvus）和混合检索机制
- 具备论文阅读和复现能力，对Agent记忆问题有强烈好奇心
申请策略
- 了解多点数智的业务背景，思考AI Agent在零售场景的应用潜力
- 在面试中展示对Agent记忆问题的热情和独特见解
- 突出NLP相关项目经验，如文本分类、语义匹配、问答系统等
- 强调信息检索或推荐系统相关经历，尤其是向量检索或RAG项目
- 展示论文阅读和复现能力，例如复现过Transformer或BERT相关论文
- 如有开源贡献或技术博客，可增加技术深度印象
- 提前熟悉LangChain、LlamaIndex等RAG框架，动手搭建一个简单的RAG系统
- 深入学习Faiss或Milvus的使用，了解向量索引原理
面试指南
- 对于技术原理问题，先给出核心概念定义，然后分点阐述关键组件，最后结合实际应用说明
- 对于设计类问题，采用“需求分析-方案设计-权衡优化”的结构，展示系统性思维
- 对于开放性问题，先表明自己的理解，再列举几种常见方法，最后提出自己的创新点
- 请解释Transformer中的自注意力机制，并说明其在BERT和GPT中的差异
- 如何设计一个高效的向量检索系统？请从索引结构和召回策略两方面说明
- 你如何理解Agent的“幻觉”和“遗忘”问题？有哪些可能的解决方案？
- 请描述一个你复现过的NLP论文，并说明你遇到的挑战和解决方法
- 如果让你设计一个Agent长期记忆模块的评估指标，你会选择哪些？为什么？
匹配度报告
68
综合匹配度
前沿AI Agent技术岗，成长空间大，但薪资和WLB信息不明确。
适合人群
适合追求技术成长、对AI Agent前沿方向有强烈兴趣的求职者，对薪资和WLB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60
成长发展90
工作生活50
使命价值70
薪资福利匹配
60中等
薪资未在JD中明确，但作为校招岗位，预计处于市场中等水平；福利未提及，补偿性动机满足程度一般。
薪资信号未披露（AI估算：15K-25K/月）
成长发展匹配
90较高
职位聚焦前沿技术（Agent、RAG、Graph RAG），要求论文阅读和复现，成长空间极大，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、Transformer、BERT、GPT、Faiss、Milvus、LangChain、RAG、Graph RAG、MemGPT
业务类型ambiguous
工作生活匹配
50较低
工作地点在成都，但JD未提及远程或弹性办公，也未说明加班情况，生活化动机满足程度有限。
工作模式未明确
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 Agent是高速增长赛道，但JD未体现社会价值或使命感，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