多点数智
AI工程师-Agent Memory & RAG 方向（北京）
AI工程师-Agent Memory & RAG 方向（北京）
发布于 大约 2 个月前普通员工/个人贡献者
北京市
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 · 20k–30k
AI Agent方向技术前沿，应届生起薪较高，北京互联网公司薪资竞争力强。
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）以及评估体系
你将参与前沿技术探索，解决Agent的“幻觉”和“遗忘”问题，适合对NLP和信息检索有浓厚兴趣的应届生
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AI Agent核心记忆与RAG方向，紧跟行业最新研究
- 技能积累：深入掌握NLP、信息检索、向量数据库等热门技能，市场价值高
- 公司平台：多点数智是零售数字化领域知名企业，业务场景丰富，数据量大
- 技术难度高：涉及记忆表征、多路召回、精排模型等复杂技术，需要较强的研究能力
- 工作强度可能较大：作为前沿方向，需要持续跟进论文并快速迭代，节奏较快
- 竞争激烈：AI Agent是热门方向，优秀人才众多，需要持续学习保持竞争力
- 适合对NLP和信息检索有浓厚兴趣、喜欢钻研前沿技术、具备较强自驱力和论文阅读能力的应届生
缺点 / 挑战
暂无明显挑战项
角色解读
- 从Agent记忆模块的专项优化起步，逐步成长为AI Agent领域的专家
- 可向更广泛的AI系统架构方向发展，如多模态Agent、自主决策系统等
- 未来可晋升为技术负责人或团队Leader，主导Agent相关产品的研发
- 优化Agent长期记忆表征，通过微调Embedding模型提升语义向量在特定场景下的表达能力
- 构建检索链路，包括设计高效的记忆存储结构（向量索引+稀疏索引），优化多路召回策略（语义、关键词、时间衰减），以及设计精排模型（Cross-encoder或LLM-based Rerank）
- 建立离线与在线评估体系，计算Precision、Recall、MRR、NDCG等指标，驱动记忆模块迭代
- 跟进Generative Agents、MemGPT等前沿论文，探索Graph RAG等高级记忆形态
- 扎实的Python编程能力，熟悉PyTorch或TensorFlow等深度学习框架
- 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）及混合检索机制
- 具备论文阅读和复现能力，对Agent幻觉和遗忘问题有研究热情
申请策略
- 关注多点数智在零售AI领域的业务布局，在面试中展现对业务场景的理解
- 准备一个与Agent记忆或RAG相关的项目案例，详细说明技术方案和效果
- 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，包括向量检索、排序模型等
- 展示论文复现或开源贡献，体现研究能力和技术热情
- 提前学习LangChain、LlamaIndex等RAG框架，动手搭建一个简单的RAG系统
- 熟悉Faiss、Milvus等向量数据库的使用，了解其索引原理和性能调优
面试指南
- 对于技术原理问题，先给出定义，再举例说明，最后联系实际应用
- 对于系统设计问题，采用分模块阐述的方式，先总后分，并说明权衡
- 对于评估问题，明确评估目标，选择合适指标，并说明如何收集数据
- 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记忆检索系统？请从索引、召回、排序三个环节阐述
- 你如何评估Agent记忆模块的效果？请设计离线评估指标
- 请介绍你了解的一种RAG方法，并分析其优缺点
- 你对Agent的“幻觉”问题有什么理解？有哪些缓解策略？
匹配度报告
65
综合匹配度
前沿AI Agent技术岗，成长空间大，但工作地点固定，福利未明确。
适合人群
适合追求技术成长和前沿探索、对薪资和WLB要求不高的应届生。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活40
使命价值60
薪资福利匹配
70中等
薪资水平在应届生中具有竞争力，但JD未提及具体福利，补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：20K-30K/月）
成长发展匹配
90较高
技术前沿，涉及Agent记忆、RAG等热门方向，成长空间大，发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、Transformer、BERT、GPT、Faiss、Milvus、LangChain、RAG
业务类型ambiguous
工作生活匹配
40较低
JD未提及远程或弹性工作，工作地点在北京，生活化动机满足程度较低。
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
60中等
AI Agent是前沿方向，具有技术探索意义，但社会影响力不明显，意义感动机中等。
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