多点数智
AI工程师-Agent Infra & LLMOps 方向（成都）
AI工程师-Agent Infra & LLMOps 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
GO
LLM
Serverless
gRPC
vLLM
AI 估算 · 15k–25k
AI工程化方向热门，技能要求高，成都薪资水平中等偏上，校招岗位有竞争力。
职位详情
关于这个职位
该职位专注于AI Agent基础设施与LLMOps方向，你将参与构建工具链服务化、代码沙箱、模型推理部署等核心系统
适合对分布式系统、容器化技术有浓厚兴趣的2026届毕业生，能接触到前沿的AI工程化实践
最低要求
届本科及以上学历，计算机相关专业，系统结构、分布式系统、云计算方向优先
精通 Docker 原理，熟悉 Kubernetes (K8s) 的基本操作与编排
熟练掌握 Go (高性能服务) 或 Python (AI 生态对接)，了解 gRPC/HTTP2 协议
扎实的 OS、网络基础，理解进程/线程、IO 多路复用
工作职责
Agent工具链服务化 (FaaS化)：设计并实现 Agent 的 Tool Server
将搜索、计算、API 调用等能力封装为独立的无服务器函数 (Serverless/FaaS)，实现按需扩缩容
负责 OpenAPI / JSON Schema 的自动生成与管理，确保 Agent 能准确理解并调用这些工具函数
代码解释器与沙箱构建 (Code Sandbox)：基于 Docker 或 MicroVM (如 Firecracker, gVisor) 构建安全的代码执行沙箱
解决 Agent 生成代码（Python/SQL）在运行时的依赖管理、资源隔离（CPU/Mem限制）和网络控制问题
模型推理服务部署 (Inference Serving)：配合算法同学，将微调后的 LLM 部署为高并发服务
优化推理引擎（如使用 vLLM, TGI, TensorRT-LLM），降低 Time-to-First-Token (TTFT) 延迟
工程化与流水线：搭建 Agent Evaluation Pipeline，让算法同学（A/B）的评测脚本能自动化运行在集群中
负责向量数据库（Milvus/Qdrant）等中间件的容器化部署与维护
优先资格
熟悉 Serverless 架构 (Knative, OpenFaaS) 或云厂商的 Lambda/Function 实践
了解 LLM 推理框架 (vLLM, Ollama, Triton Inference Server)
有 Sandbox 开发经验，或者对容器逃逸、安全隔离有深入研究
操作过 LangChain/AutoGPT，清晰知道它们在实际部署时的痛点
AI 洞察
优缺点分析
优点
- 接触前沿的AI Agent和LLMOps技术栈，技能积累价值高
- 公司业务聚焦零售数字化，AI应用场景丰富，能快速积累实战经验
- 成都作为新一线城市，生活成本相对较低，工作生活平衡度较好
- 技术栈较新，需要持续学习，对自学能力要求高
- 涉及系统底层优化，调试和排错难度较大
- 校招岗位竞争激烈，需要扎实的分布式系统和容器化基础
缺点 / 挑战
- 适合对AI基础设施有浓厚兴趣、动手能力强、喜欢挑战技术难题的2026届计算机专业毕业生
角色解读
- 从AI基础设施工程师起步，逐步成长为AI工程化专家，负责大规模Agent系统的架构设计
- 可向MLOps或AI平台方向深入，成为连接算法与工程的桥梁
- 未来可晋升为技术负责人或架构师，主导AI基础设施团队的技术方向
- 设计并实现Agent工具链的FaaS化服务，将搜索、计算等能力封装为无服务器函数，实现自动扩缩容
- 构建安全的代码执行沙箱，基于Docker或MicroVM解决Agent生成代码的依赖管理和资源隔离问题
- 配合算法团队将微调后的LLM部署为高并发推理服务，优化推理引擎降低延迟
- 搭建自动化评估流水线，负责向量数据库等中间件的容器化部署与维护
- 精通Docker和Kubernetes，具备容器编排和微服务部署经验
- 熟练掌握Go或Python，了解gRPC/HTTP2协议，具备扎实的操作系统和网络基础
- 了解Serverless架构和LLM推理框架（如vLLM），有沙箱或安全隔离经验更佳
- 熟悉LangChain/AutoGPT等Agent框架，理解实际部署中的痛点
申请策略
- 了解多点数智在零售AI领域的布局，面试中展现对业务场景的理解
- 准备一个完整的Agent工具链或沙箱项目案例，展示工程化能力
- 突出Docker/K8s相关项目经验，如容器化部署、集群管理
- 展示Go或Python的高性能服务开发经历，尤其是涉及gRPC或网络编程
- 如果有LLM推理优化或Agent开发经验，务必重点描述
- 强调操作系统、网络基础相关的课程项目或竞赛经历
- 提前学习Serverless架构（如Knative）和LLM推理框架（vLLM），动手搭建小项目
- 熟悉LangChain或AutoGPT的使用，了解其部署痛点
面试指南
- 对于架构设计类问题，先明确需求，再分层阐述（接入层、服务层、数据层），最后讨论扩展性和容错
- 对于优化类问题，先分析瓶颈，再提出具体方案（如缓存、异步、资源池），并说明权衡
- 对于项目经验类问题，采用STAR法则（情境、任务、行动、结果），突出技术难点和你的贡献
- 请解释Docker和Kubernetes的工作原理，以及如何实现资源隔离
- 如何设计一个高可用的Agent Tool Server？请谈谈架构设计
- LLM推理服务中，如何优化TTFT延迟？你了解哪些优化技术？
- 描述一次你使用Go或Python构建高性能服务的经历，遇到了哪些挑战？
- 你对Serverless架构的理解？它有哪些优缺点？
匹配度报告
68
综合匹配度
校招AI工程化岗位，前沿技术栈，发展空间大，但WLB未明确。
适合人群
最适合追求技术成长、愿意投入学习前沿技术的求职者，对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，但根据岗位和城市估算有竞争力；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
岗位涉及前沿AI工程化技术，技能成长空间大，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈Docker、Kubernetes、Go、Python、vLLM、Serverless、LLM、Agent、gRPC、Milvus
业务类型ambiguous
工作生活匹配
50较低
JD未提及远程或弹性工作，默认现场办公，WLB信号缺失。
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 Agent基础设施属于高速增长赛道，但JD未提及社会价值，意义感中等。
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