多点数智
AI工程师-Agent Memory & RAG 方向（武汉）
AI工程师-Agent Memory & RAG 方向（武汉）
发布于 大约 2 个月前普通员工/个人贡献者
武汉市
无经验要求
全职员工
仅现场办公
本科
软件工程
NLP
PyTorch
RAG
TensorFlow
GPT
Faiss
AI 估算 · 15k–25k
AI Agent方向技术前沿，需求旺盛，武汉互联网薪资水平中等，校招岗位薪资有竞争力。
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、构建检索链路（索引/召回/排序）及评估体系
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Agent技术充满好奇的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：直接参与Agent记忆和RAG这一AI热点方向，积累稀缺经验
- 技能积累：深入掌握Embedding、向量检索、重排序等核心技术，提升NLP和IR综合能力
- 公司平台：多点数智作为零售数字化服务商，有丰富的业务场景落地AI技术
- 成长空间：校招岗位，公司培养体系完善，可快速成长为技术骨干
- 技术难度高：需要同时掌握NLP、IR、深度学习等多个领域知识，学习曲线陡峭
缺点 / 挑战
- 竞争激烈：AI方向热门，优秀候选人众多，面试门槛较高
- 工作强度：互联网公司节奏较快，可能需要应对多项目并行和快速迭代的压力
- 适合对NLP和检索技术有浓厚兴趣、喜欢挑战前沿问题、具备较强自学能力的2026届毕业生
角色解读
- 从Agent记忆模块的专项工程师成长为RAG系统架构师，负责整个检索生成管线的设计
- 向AI Agent全栈方向发展，结合对话系统、知识图谱等技能，成为多模态Agent专家
- 在技术深度上可深耕信息检索与NLP交叉领域，发表顶会论文，成为行业KOL
- 优化Agent长期记忆的表征学习，微调Embedding模型以提升语义表达能力
- 构建检索链路，包括设计高效的记忆存储结构、优化多路召回策略和精排模型
- 建立离线与在线评估体系，通过相关性指标驱动记忆模块迭代
- 跟进前沿论文，探索Graph RAG等高级记忆形态，解决Agent的幻觉和遗忘问题
- 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技术有强烈好奇心
申请策略
- 了解多点数智的业务背景（零售数字化），思考Agent记忆技术如何应用于零售场景
- 在面试中展现对Agent“幻觉”和“遗忘”问题的思考，提出自己的解决思路
- 突出NLP相关项目经验，如文本分类、语义匹配、问答系统等，展示对Transformer模型的理解
- 强调信息检索相关经历，如搜索引擎、推荐系统或RAG项目，体现对向量检索和排序的实践
- 展示论文阅读和复现能力，可附上GitHub链接或技术博客，证明对前沿技术的跟进
- 如有竞赛或开源贡献（如Kaggle、LangChain贡献），务必突出
- 系统学习信息检索理论，动手实践Faiss、Milvus等向量数据库
- 阅读LangChain、LlamaIndex源码，理解RAG框架的实现细节
面试指南
- 对于技术原理问题，先给出核心概念定义，再分点阐述关键组件，最后结合实际应用场景说明
- 对于系统设计问题，采用“需求分析-架构设计-关键模块-优化方向”的结构，突出权衡取舍
- 对于开放性问题，先表达自己的理解，再列举可能的解决方案，最后提出一个具体的实验或项目思路
- 请解释Transformer的自注意力机制，并说明BERT和GPT的区别
- 如何设计一个高效的向量检索系统？请从索引结构、召回策略和排序模型方面阐述
- 什么是RAG？请描述一个典型的RAG流程，并讨论如何优化检索质量
- Agent的长期记忆和短期记忆有什么区别？如何解决Agent的遗忘问题？
- 你如何评估一个记忆模块的效果？请设计离线评估指标
匹配度报告
65
综合匹配度
前沿AI Agent技术岗，发展空间大，但工作强度未知，WLB一般。
适合人群
适合追求技术成长和前沿领域探索的求职者，对工作生活平衡要求不高。
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40
使命价值70
薪资福利匹配
60中等
薪资水平在武汉校招中具有竞争力，但JD未明确福利，稳定性一般。
薪资信号未披露（AI估算：15K-25K/月）
成长发展匹配
90较高
技术前沿，涉及Agent记忆、RAG等热点方向，成长空间大，但JD未提及晋升通道。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、NLP、Transformer、BERT、GPT、Faiss、Milvus、RAG、LangChain、LlamaIndex
业务类型ambiguous
工作生活匹配
40较低
仅现场办公，武汉科技园办公，JD未提及WLB，可能有一定加班。
工作模式仅现场办公
办公地点科技园/产业园
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，技术创新性强，但社会影响力中性。
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
多点数智 的其他在招职位
相似职位推荐
Watch Jobs