腾讯视频-AI Agent工程师

优缺点分析

角色解读

• 纵向发展：从AI Agent工程师成长为技术专家或架构师，主导复杂AI系统的设计与优化
• 横向扩展：向AI产品经理或AI解决方案架构师转型，结合业务需求推动AI技术落地
• 内部晋升：腾讯内部有完善的职级体系，表现优秀可快速从L1升至L2-L3，并有机会带团队
• 设计和研发AI Agent工作流，实现从脚本到生图/生视频的端到端自动化，支撑腾讯视频的创作业务
• 基于大语言模型（GPT、混元等）构建Agent的核心能力，包括任务规划、工具调用、记忆管理和多轮决策
• 使用Go/Python搭建高并发服务框架与调度系统，负责任务编排、工作流引擎和稳定性治理
• 对接算法模型，进行Prompt工程与效果调优，持续优化Function Calling、RAG等模块，提升Agent表现
• 精通Go或Python，具备高并发、分布式服务开发经验，能独立完成LLM/AIGC模型的接入与调优
• 熟练使用至少一种主流Agent框架（LangChain、LangGraph、LlamaIndex等），理解其核心范式
• 深入理解LLM的Function Calling、Tool Use、MCP协议、ReAct等机制，有实际Agent项目落地经验
• 具备良好的工程化能力：单元测试、CI/CD、可观测性（日志、Trace、Metrics）

申请策略

• 关注腾讯视频AI方向的最新动态，在面试中展示对业务场景（生图、生视频）的理解和热情
• 提前准备一个Agent相关的项目案例，包括技术选型、架构设计、遇到的挑战及解决方案
• 突出AI Agent或大模型应用项目的完整落地经验，最好附上Demo或GitHub链接
• 详细描述在项目中使用Go/Python构建高并发服务的具体贡献，如架构设计、性能优化等
• 展示对LangChain、LangGraph等框架的熟练使用，以及Function Calling、RAG等核心机制的理解
• 强调工程化能力：单元测试、CI/CD、可观测性（日志、Trace、Metrics）的实际案例
• 系统学习LangChain/LangGraph框架，动手搭建一个完整的Agent demo，熟悉Workflow/DAG编排
• 深入理解LLM的Function Calling原理，尝试用OpenAI或混元API实现Tool Use和RAG检索

面试指南

• 用STAR法则（情境、任务、行动、结果）组织项目经验，突出你的角色和技术难点
• 对于设计类问题，先明确需求场景，再对比不同方案（如单体 vs 微服务 vs 事件驱动），最后给出权衡
• 对原理类问题，先给出清晰定义，再结合实际案例说明，体现深度思考
• 请描述你参与的一个AI Agent项目，包括架构设计、技术栈、以及如何解决工具调用中的错误
• 如何设计一个高并发的Agent服务框架？请谈谈任务编排和稳定性治理的思路
• LLM Function Calling的原理是什么？在实际应用中你如何保证调用的准确性和可靠性？
• RAG检索在Agent中如何实现？如何平衡检索的召回率和准确性？
• 你认为AI Agent在视频创作场景中的最大挑战是什么？如何优化端到端流程？