2027AIDU-Agent应用全栈工程师(J99974)

优缺点分析

角色解读

• 从Agent应用工程师成长为AI Agent架构师，主导复杂智能体系统的设计与落地
• 深入大模型底层技术，如模型微调、推理优化，向算法方向延伸，成为全栈型AI专家
• 积累医疗健康领域的业务知识，未来可转型为AI产品经理或技术负责人，推动行业应用创新
• 设计和实现基于大模型的自主Agent系统，使其能像人一样完成复杂任务，包括任务规划、工具调用和结果反思
• 搭建Agent核心能力，如函数调用、记忆机制、多轮推理，并探索多Agent协作解决医疗等业务问题
• 参与RAG与Agent的融合架构，将知识检索与行动能力结合，提升系统在真实场景中的表现
• 负责Agent评测体系建设，持续优化成功率、稳定性、成本与用户体验
• 扎实的全栈开发能力，熟悉至少一种后端语言（如Python）和前端技术，能够独立搭建完整系统
• 深度使用过大模型（GPT/Claude等），理解其能力边界，并有AI Agent或自动化工具的项目经验
• 熟悉至少一种Agent框架（LangChain/LlamaIndex/AutoGen等），了解Tool Learning、Memory等机制
• 具备快速实验和迭代的工程能力，对前沿技术保持热情，愿意探索没有标准答案的领域

申请策略

• 申请时，可以附上一份简短的“Agent技术理解”或对Agent未来的思考，展示你的热情和深度
• 了解百度健康事业部业务方向，思考Agent在医疗健康场景的潜在应用，面试中提及会加分
• 突出你使用大模型构建Agent或自动化工具的具体项目，描述你如何设计规划-执行-反思闭环
• 强调你使用的Agent框架（LangChain等）以及关键技术（Tool Calling、Memory、RAG），体现工程落地能力
• 展示你独立解决问题的能力：可以附上GitHub链接或个人博客，说明你做过哪些实验性项目
• 如果有全栈开发经验，突出前后端全栈能力，以及系统设计的思考
• 如果还不熟悉Agent框架，可以快速学习LangChain或AutoGen，并用开源模型（如Qwen/LLaMA）搭建一个简单Agent demo
• 深入理解大模型的Function Calling和API设计，可以阅读OpenAI的官方文档和相关论文

面试指南

• 使用STAR法则回答项目经验：情境、任务、行动、结果，重点突出你在技术选型和故障排除中的思考
• 对于设计类问题，先明确需求边界，再给出技术方案比较，最后说明可能的优化方向
• 框架对比问题，从功能、易用性、生态、性能等维度分析，结合自身使用场景给出客观评价
• 请描述你过去做过的一个AI Agent项目，包括架构设计、遇到的问题和解决方案
• 如何设计一个基于大模型的Task Planning模块？如何处理任务分解中可能出现的错误？
• 对比LangChain和AutoGen的优缺点，你在什么场景下会选择哪个框架？
• 如何实现Agent的长期记忆？你会选择哪种存储方案？
• 请谈谈你理解的RAG和Agent如何融合，会遇到哪些挑战？