新浪
Agent 架构工程师实习生
Agent 架构工程师实习生
发布于 大约 16 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
本科
分布式系统
RAG
LLM
高并发
Prompt工程
LangGraph
多Agent协作
向量检索引擎
AI 估算 · 4k–8k
实习生岗位，日薪制，结合北京互联网大厂实习薪资水平估算，月薪约4k-8k。
职位详情
关于这个职位
该职位是新浪微博面向AI搜索场景的Agent架构工程师实习生，你将参与多Agent协作框架的设计与实现，涵盖任务拆解、调度编排、状态管理等核心模块
同时有机会接触Prompt工程、RAG系统以及高并发分布式系统，适合对大型语言模型和AI Agent技术感兴趣的同学，在顶级互联网平台积累实战经验
最低要求
届应届毕业生，计算机、软件工程、人工智能等相关专业本科及以上学历
熟练掌握 Python，具备扎实的算法与数据结构功底
有 C/C++ 或 Go 使用经验者加分
具备良好的工程素养，熟悉 Linux 开发环境、Git 协作流程，有课程项目、开源贡献或实习中的后端/分布式系统开发经历
了解高并发、分布式系统基本原理，具备性能分析与问题排查的基础能力
熟悉主流存储技术，包括 Redis 等缓存/内存数据库
了解 Milvus、Faiss、Qdrant 等向量检索引擎者优先
良好的沟通表达能力，逻辑清晰，具备较强的学习能力与跨团队协作意识
工作职责
参与面向 AI 搜索场景的多 Agent 协作框架设计与实现，涵盖任务拆解、Agent 调度编排、状态管理与结果聚合等核心模块
参与构建高效的 Agent 任务分发与调度系统，支持多 Agent 并行执行、动态路由、优先级管理与异常容错，保障系统在高并发场景下的稳定性与吞吐效率
参与数据链路与 Prompt 工程体系的设计与优化，协助建立可迭代的提示词管理机制，持续提升大模型在搜索场景下的响应质量与效率
参与风险控制与可观测性体系建设，包括内容安全管控、Agent 行为审计、异常监控与链路追踪，保障线上系统可靠运行
优先资格
核心加分项（AI / 大模型方向）
有大模型应用相关的课程项目、实习或竞赛经历，了解 LLM 推理流程与 Prompt 工程实践
有 Multi-Agent 框架（如 LangGraph、AutoGen、CrewAI 等）的使用或二次开发经历，了解 Agent 工具调用（Tool Use）、记忆管理、规划推理（ReAct / CoT）等核心机制
有 RAG（检索增强生成）系统或搜索系统相关实习、项目经验者优先
ACM/ICPC、Kaggle、天池等竞赛获奖经历者优先
AI 洞察
优缺点分析
- 加入新浪微博这样的大厂平台，接触前沿 AI 搜索技术
- 项目涉及 Agent 框架、Prompt 工程等高价值技能，简历含金量高
- 团队技术氛围浓厚，有机会参与从设计到上线的完整流程
- 技术栈深入且更新快，需要持续学习多 Agent 和大模型知识
- 作为实习生需快速上手高并发分布式系统，有一定压力
- 竞争激烈，需要具备较强的自驱力和工程能力
- 适合对 AI Agent 和大模型应用有浓厚兴趣、具备扎实工程基础且渴望快速成长的同学
角色解读
- 积累 AI 搜索与多 Agent 系统实战经验，成为 Agent 架构专家
- 深入大模型应用领域，可向算法工程师或技术 Leader 发展
- 在公司内部可横向迁移至其他 AI 产品或基础架构团队
- 设计和实现多 Agent 协作框架，包括任务拆解、调度编排与状态管理
- 构建高并发的 Agent 任务分发与调度系统，确保系统稳定高效
- 优化 Prompt 工程体系，提升大模型在搜索场景下的响应质量
- 参与风险控制与可观测性体系建设，保障线上系统可靠运行
- 扎实的 Python 编程能力及算法数据结构基础
- 了解高并发和分布式系统原理，具备性能分析能力
- 熟悉 Redis 等缓存技术，了解向量检索引擎如 Milvus
- 对大模型应用、Agent 框架（如 LangGraph）有实践经验
申请策略
- 了解新浪微博的 AI 搜索业务方向，在面试中展现对该领域的兴趣
- 准备 1-2 个自己动手做的 Agent 或 LLM 应用案例，展示工程实现细节
- 突出 Python 后端项目经验，尤其是分布式系统或并发处理相关
- 如果有多 Agent 或大模型项目经历（如 LangGraph、Prompt 优化），务必详细描述
- 展示算法竞赛或开源贡献经历，体现学习能力与协作意识
- 系统学习 Multi-Agent 框架（LangGraph、AutoGen），尝试动手搭建一个简单 demo
- 熟悉 Prompt 工程技巧和 RAG 系统原理，了解向量数据库使用
面试指南
- 采用 STAR 法则：清晰说明项目背景、任务、行动和结果
- 突出技术难点和解决方案，展示系统设计思维
- 结合具体代码或架构图说明，体现工程落地能力
- 请介绍一个你实现过的多 Agent 系统或分布式任务调度设计
- 如何优化 Prompt 以提升大模型输出质量？请举例说明
- 在高并发场景下，如何保证 Agent 调度系统的稳定性和容错？
- 向量检索引擎（如 Milvus）与传统搜索引擎有何不同？你在项目中使用过吗？
- 请解释 React/CoT 推理机制在 Agent 中的应用
匹配度报告
66
综合匹配度
大厂前沿AI实习，技术成长极高，但WLB和薪资竞争力一般。
适合人群
最适合追求技术成长和前沿领域发展的求职者，对薪资和WLB要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利55
成长发展95
工作生活40
使命价值75
薪资福利匹配
55较低
实习生薪资处于市场中等水平，福利未在JD中明确提及，补偿性动机满足一般。
薪资信号未披露 (4K-8K/月)
成长发展匹配
95较高
职位涉及多Agent协作、大模型、Prompt工程等前沿技术，能极大提升技术深度和广度，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、多Agent、LLM、Prompt工程、分布式系统、Redis、向量检索引擎、LangGraph、RAG
业务类型profit_center
工作生活匹配
40较低
未提及远程或弹性工作，且实习通常需现场办公，生活化动机满足有限。
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
75中等
AI搜索是高速增长赛道，但社会影响力一般，意义感动机处于中等偏上水平。
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