腾讯
腾讯营销-高级数据产品agent算法工程师
腾讯营销-高级数据产品agent算法工程师
发布于 大约 13 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
硕士
RAG
LLM
SFT
RL
Prompt Engineering
LangGraph
AI 估算 · 35k–50k
腾讯高级算法岗，硕士3年+，上海，Agent/LLM方向热门前沿，薪资竞争力强。
职位详情
关于这个职位
该职位是腾讯营销方向的高级数据产品Agent算法工程师，负责基于大模型的智能体架构设计与开发，包括RAG、Function Calling等前沿技术，提升营销场景的推理与交互能力
你将与团队一起打造高可用、可扩展的Agent系统，推动AI技术在营销领域的落地
适合有NLP/LLM背景、热爱AI工程化的算法工程师
最低要求
学历与经验：计算机科学、机器学习、人工智能或相关专业硕士及以上学历（优秀本科酌情考虑），3年以上后端或算法研发经验
算法基础：在NLP、多模态、AIGC或机器学习领域有深入理解和实践经验，熟悉大模型的生成原理与评测方法
工程能力：精通Python，具备优秀的工程实现能力
熟悉异步编程、分布式系统设计，了解高并发、高可用架构的设计模式
智能体框架：必须具备智能体开发经验，熟练掌握至少一种主流Agent架构（如LangChain/LangGraph/AutoGen/Hermes Agent/NanoBot），并能深入理解其底层原理（如Agent Executor、Tool Calling、Chain的设计模式）
检索增强：熟悉RAG全链路技术，包括但不限于文档解析、切片策略、Embedding模型选型、检索重排
熟悉向量数据库（如Milvus、Faiss、Chroma）或图数据库（如Neo4j）的应用与优化
调参与优化：对Prompt Engineering有深刻理解，精通通过SFT或RL微调模型提升特定任务能力
有参与LLM评测体系建设或基准测试经验者优先
软性素质：具备强烈的问题驱动意识，善于复盘与技术沉淀，乐于分享和团队合作
对AI工程化有激情，具备拼搏精神，能在大模型快速迭代的环境中持续学习
工作职责
智能体架构设计与开发：负责核心智能体（Agent）应用的架构设计与开发，利用LangChain、LangGraph、类OpenClaw的技术框架搭建复杂推理链路，实现基于大模型的任务规划、工具调用与状态管理
算法与工程落地：负责RAG（检索增强生成）、Context Engineering、Function Calling等技术的深度优化，结合向量数据库、图数据库或Text2SQL引擎，提升智能体的知识召回精度和推理成功率
模型调参与评测：跟踪并引入最新LLM技术，负责模型的SFT/RL微调，搭建完善的LLM评测体系，以数据驱动的方式提升模型在具体场景下的表现
系统抽象与能力沉淀：针对多业务接入的需求，抽象并开发配置化、插件化、可观测性等通用能力，确保智能体架构的高可用性、可扩展性及低接入成本
全链路优化：关注AI应用的工程化指标（如推理成本、响应延迟、任务成功率），从算法选型、模型量化、Prompt优化等多维度持续迭代，提升用户体验
AI 洞察
优缺点分析
优点
- 腾讯大平台，技术资源丰富，接触前沿的LLM/Agent技术栈
- 营销场景落地，直接面向业务，成果可量化，成就感强
- 团队技术氛围浓厚，有机会参与开源或发表研究成果
- 技术迭代快，需持续学习最新框架和模型，保持竞争力
- 涉及全链路优化，工程与算法并重，对综合能力要求高
- 互联网大厂工作节奏较快，可能需要应对一定强度
- 适合有NLP/LLM基础、热爱AI工程化、渴望在头部平台深耕Agent技术的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深：从Agent开发到AI系统架构师，成为大模型应用领域的专家
- 横向拓展：接触多业务线，积累NLP、多模态、AIGC等多个AI子领域经验
- 管理路径：随着项目扩大，可向技术Leader或团队负责人发展
- 设计并开发核心智能体应用，利用LangChain等框架搭建复杂推理链路，实现大模型的任务规划与工具调用
- 优化RAG、Function Calling等关键算法，结合向量数据库提升知识召回与推理成功率
- 参与模型微调（SFT/RL）和评测体系建设，持续提升模型在营销场景的表现
- 抽象通用能力（配置化、插件化、可观测性），确保系统的高可用和可扩展
- 精通Python，熟悉分布式系统设计与高并发架构
- 深入理解Agent框架（LangChain/LangGraph等）及其底层原理
- 熟悉RAG全链路技术，包括文档解析、Embedding、检索重排及向量数据库
- 掌握Prompt Engineering，有SFT/RL微调经验及LLM评测方法
申请策略
- 了解腾讯营销业务方向，思考Agent如何提升广告或用户增长效率，在面试中展现业务理解
- 准备一个完整的Agent项目案例，从问题定义到架构设计再到效果评估，体现系统性思维
- 突出Agent开发项目经验，尤其是使用LangChain/LangGraph等框架的落地案例
- 重点展示RAG、Function Calling或模型微调相关的实战成果及量化指标
- 强调Python工程能力，如分布式系统、高并发架构设计经验
- 如有LLM评测或开源贡献，务必提及
- 深入掌握至少一个Agent框架的底层实现，理解Executor、Tool Calling机制
- 实践RAG全链路，熟悉向量数据库（如Milvus）的部署与调优
面试指南
- 先概述背景和挑战，再详细描述技术方案，最后强调效果和思考
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验
- 对于开放性问题，从多个维度分析（如算法、工程、业务），体现深度
- 请描述你设计过一个Agent系统的架构，如何实现任务规划与工具调用？
- RAG中如何优化检索精度？遇到过哪些Chunking或Embedding问题？
- 你对Prompt Engineering有哪些理解？如何通过SFT提升特定任务表现？
- 解释LangChain中Agent Executor的工作原理，以及如何实现自定义Tool？
- 在工程化中，如何平衡推理成本与响应延迟？
匹配度报告
72
综合匹配度
腾讯大厂，前沿Agent技术栈，薪资有竞争力，成长空间大，但WLB一般需适应高强度。
适合人群
适合追求技术成长、愿意投入时间学习前沿AI技术、对薪资和发展有较高期望的求职者。
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70
薪资福利匹配
80较高
腾讯是互联网巨头，薪资福利在行业具有竞争力，但JD未明确薪资和具体福利，综合评估中等偏上。
薪资信号未披露（AI估算：35K-50K/月）
成长发展匹配
90较高
职位涉及前沿AI技术（Agent、LLM、RAG），技术栈新且有深度，成长空间大；但JD未明确提及晋升机制。
技术前沿前沿/新兴技术
技术栈LangChain、LangGraph、RAG、LLM、SFT、RL、Function Calling、Prompt Engineering、向量数据库
业务类型profit_center
工作生活匹配
50较低
工作地点在上海，需现场办公；互联网大厂通常工作节奏较快，但JD未明确WLB相关信息。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
AI技术在营销领域的应用具有创新性和社会价值，但JD未强调使命感。行业处于高速增长期。
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