携程
大模型算法工程师（Agent方向）(MJ035301)
大模型算法工程师（Agent方向）(MJ035301)
发布于 大约 15 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
学历未注明
研究与开发 (研发)
PyTorch
RAG
大模型
LangGraph
MCP
Faiss
AI 估算 · 35k–55k
上海大厂Agent方向算法岗，要求3年+经验，薪资竞争力强，中位数约45k/月。
职位详情
关于这个职位
该职位负责携程业务场景中智能Agent的设计与落地，涉及Agent架构、工具调用、RAG集成及效果优化
你将结合大模型技术构建企业级智能体系统，推动AI在旅游领域的应用
适合有3年以上大模型工程经验、熟悉Agent框架的开发者
最低要求
年以上大模型应用、Agent开发或相关工程经验，熟练使用Python，熟悉PyTorch、Transformers等大模型生态，理解大模型基本原理
有Agent落地经验，熟悉ReAct、Plan-and-Execute、Reflection、Multi-Agent等范式，熟练使用LangGraph、LangChain、LlamaIndex、Dify、Coze等一种或多种框架
具备Agent Harness / Eval Harness / Tool Harness工程经验，能够搭建Agent自动化评测、工具调用Mock、轨迹回放、失败复现和回归测试体系
熟悉RAG、Embedding、Rerank、向量检索等技术，掌握FAISS、Milvus、Elasticsearch、pgvector等一种或多种检索组件
工作职责
负责业务场景智能Agent的设计、开发与落地，完成Agent架构设计、工具调用、工作流编排、知识库接入和效果优化
负责Agent Harness工程体系建设，支持工具调用Mock、运行轨迹Replay、失败样本复现、自动化回归评测和灰度验证
结合RAG、向量检索、Function Calling / Tool Calling、MCP等技术，完成企业知识库、业务系统与智能体的集成落地
建立Agent效果评测与持续优化机制，围绕任务完成率、工具调用准确率、检索命中率、幻觉率、响应延迟、Token成本等指标迭代优化
优先资格
有MCP、AgentOps、LLMOps或业务系统集成经验者优先
AI 洞察
优缺点分析
优点
- 大模型Agent方向是当前AI热点，技术积累含金量高
- 携程巨头平台，业务场景丰富，数据资源充足
- 团队技术氛围好，可接触全栈Agent工程链路
- 薪资福利有竞争力，上市大厂稳定
- Agent落地涉及复杂工程问题，如工具调用可靠性、幻觉控制等
- 工作强度可能较大，需要快速迭代和验证效果
- 技术栈更新快，需持续学习新框架和范式
- 适合有大模型工程经验、热爱Agent技术、喜欢解决复杂工程问题的开发者
缺点 / 挑战
暂无明显挑战项
角色解读
- 向Agent技术专家发展，深入LLMOps、AgentOps等前沿方向
- 晋升为技术负责人，带领团队构建企业级智能体平台
- 横向扩展到其他AI领域（如多模态、搜索推荐）或管理岗位
- 设计并落地业务场景的智能Agent，包括架构设计、工具调用和工作流编排
- 构建Agent Harness工程体系，支持自动化评测、轨迹回放和回归测试
- 集成RAG、向量检索等技术，打通企业知识库与业务系统
- 持续优化Agent效果，围绕任务完成率、延迟、成本等指标迭代
- 精通Python及大模型生态（PyTorch、Transformers），理解大模型原理
- 熟悉Agent框架（LangGraph、LangChain等）及常见范式（ReAct、Multi-Agent等）
- 具备Agent工程体系建设经验，包括评测、Mock、回放等
- 掌握RAG、向量检索（FAISS、Milvus等）及相关组件
申请策略
- 了解携程业务（如旅行场景），思考Agent如何提升用户体验
- 准备一个完整的Agent项目案例，包括架构、实现和效果
- 突出Agent落地项目经验，尤其是工具调用、RAG集成和评测体系
- 展示对LangGraph、LangChain等框架的熟练程度及自定义扩展能力
- 强调在大模型应用中的优化成果（如降低幻觉率、提升任务完成率）
- 如有多Agent或MCP经验，务必重点提及
- 补充Agent Harness工程经验，如搭建自动化回归测试
- 深入了解MCP协议及AgentOps工具链
面试指南
- STAR法则：描述场景、任务、行动、结果，突出工程细节和量化指标
- 对比不同方案优劣：如对比LangGraph与Coze，说明选型理由
- 从业务价值出发：始终关联到实际落地效果和业务收益
- 请描述你设计过的一个Agent系统，如何处理工具调用失败？
- 如何评测Agent效果？你会关注哪些指标？
- 解释ReAct与Plan-and-Execute范式的主要区别
- 在RAG系统中，如何平衡检索准确率和响应速度？
- 如何处理Agent输出中的幻觉问题？
匹配度报告
71
综合匹配度
上海大厂Agent算法岗，前沿技术栈，薪资优厚，但工作强度不确定。
适合人群
适合注重技术成长和职业发展、能够接受一定工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活50
使命价值65
薪资福利匹配
80较高
上市大厂，薪资福利有竞争力，但未明确具体范围，整体补偿性较好。
薪资信号未披露（AI估算：35K-55K/月）
成长发展匹配
90较高
前沿Agent技术栈，能积累LLMOps、RAG等核心技能，成长空间巨大。
技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、LangGraph、MCP、FAISS
业务类型ambiguous
工作生活匹配
50较低
仅现场办公，未提及WLB信息，互联网大厂通常有一定加班强度。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
65中等
旅游行业稳定，但Agent技术本身偏中后台，社会影响力一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs