微博
智搜Agent应用算法工程师
智搜Agent应用算法工程师
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Cot
Huggingface
Llm
Prompt工程
Pytorch
Vllm
多Agent系统
搜索算法
值不值得投
74综合评分
综合评分 74
前沿AI技术岗位，技能成长空间大，但WLB可能一般，需关注具体办公地点和工作强度。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比机器学习工程中位数低
发布情况
新岗位 · 昨天发布
市场机会
选择面较广
北京 · 机器学习工程 · 约 430 个在招
职位详情
关于这个职位
该职位负责微博多Agent智能回答系统的算法设计与业务落地，聚焦AI搜索场景
你需要构建多Agent任务规划、推理决策和答案生成方案，研究并应用Agent核心能力如Tool Use和多步推理，推动技术转化为产品核心竞争力，解决搜索回答中的痛点
最低要求
计算机科学、人工智能或相关领域硕士及以上学历，博士优先
深入理解 LLM 推理机制与 Prompt 工程，有大模型应用落地经验
了解 SFT、RLHF/DPO 等训练范式者加分
熟练掌握 PyTorch，熟悉 HuggingFace Transformers、vLLM 等主流推理与工具库，具备高效的模型开发与调试能力
具备扎实的工程能力，能独立完成从算法验证到系统上线的全流程工作，具备良好的问题排查与解决能力
良好的沟通协作能力与学习能力，对 Agent 与 AI 搜索领域有强烈的技术探索热情
工作职责
负责多 Agent 协作回答系统的算法设计与落地，围绕 AI 搜索场景，构建高效的多 Agent 任务规划、推理决策与答案生成方案
研究并落地 Agent 核心能力，包括 Tool Use、多步推理（ReAct / CoT）、动态任务拆解与上下文管理，设计能自主完成复杂搜索回答任务的 Agent 系统
跟进 Agent 与大模型领域前沿技术动态，快速验证新方法在业务场景中的适用性，推动算法持续迭代升级
搭建面向多 Agent 回答场景的模型与算法评估体系，涵盖主流评测基准与业务定制化指标，保障效果可量化、可追溯
主导从算法实验、原型验证到系统上线的全链路交付，结合业务实际场景，解决搜索回答中的核心痛点
优先资格
有 LLMAgent 开发经验，熟悉 ToolUse、记忆管理、多 Agent 协作、任务规划等技术，有项目落地经验
有搜索/推荐/信息检索系统研发经验，熟悉 RAG、Query 理解、意图识别等相关技术
在 NeurIPS、ICLR、ACL、SIGIR、EMNLP 等顶会发表过相关论文，或有高质量开源项目贡献
AI 洞察
优缺点分析
优点
- 涉及前沿AI和Agent技术，技能成长空间大，能接触最新工具和方法
- 微博平台流量大，技术落地应用场景明确，产品化前景好
- 团队专注于搜索和Agent领域，技术氛围浓厚，利于深度钻研
- 技术难度高，需要快速跟进LLM和Agent领域前沿动态并应用到业务
- 适合对AI和Agent技术有浓厚兴趣，具备扎实算法和工程能力，愿意在搜索领域深耕并快速落地的求职者
缺点 / 挑战
- 业务场景复杂，要求算法设计兼顾效果和工程可行性，迭代压力大
- 可能面临高强度开发和上线挑战，需要平衡创新与稳定性
角色解读
- 从算法工程师成长为高级算法专家或技术负责人，专注Agent和搜索领域
- 拓展到技术架构师或产品管理岗位，影响技术战略
- 通过持续研究前沿技术，成为行业专家或推动创新应用
- 设计多Agent协作系统的算法架构，用于AI搜索场景下的任务规划和答案生成
- 实现Agent核心能力如Tool Use、多步推理，构建自主完成复杂搜索任务的系统
- 搭建算法评估体系，保障效果可量化、可追溯
- 主导算法从实验、验证到系统上线的全链路交付，解决业务痛点
- 深入理解LLM推理机制和Prompt工程，有大模型应用落地经验
- 熟练使用PyTorch、HuggingFace等工具进行模型开发和调试
- 扎实的工程能力，能独立完成算法验证到系统上线全流程
- 良好的沟通协作和学习能力，对Agent和AI搜索有技术热情
申请策略
- 研究微博的AI搜索产品，思考技术如何优化搜索体验和回答质量
- 准备展示算法创新和问题解决能力的具体案例，面试中可能涉及技术深度讨论
- 突出大模型和Agent相关项目经验，如LLM应用、多Agent系统开发，展示算法设计到落地的成果
- 强调PyTorch、HuggingFace等工具的使用，以及模型优化和调试能力
- 呈现工程能力，如系统上线、问题排查案例，体现全流程交付经验
- 如果有顶会论文、开源贡献或搜索/推荐相关经验，重点列出
- 深入学习多Agent系统架构、ReAct/CoT推理框架和Tool Use技术
- 实践RAG、Query理解等搜索相关技能，提升信息检索能力
面试指南
- 使用STAR法则（情境、任务、行动、结果）描述项目经验，突出算法设计和落地过程
- 从系统架构、算法选择、评估体系等方面结构化回答技术设计问题，结合业务需求
- 强调持续学习和验证方法，如快速原型实验、A/B测试等，展示技术迭代能力
- 请描述一个你参与过的多Agent或大模型应用项目，遇到了哪些技术挑战？你是如何解决的？
- 如何设计一个高效的Agent任务规划系统，以支持复杂的搜索回答任务？
- 你如何评估多Agent回答系统的效果？会考虑哪些指标和方法？
- 对于Tool Use和上下文管理，你有哪些实践经验？如何确保Agent的可靠性？
- 如何快速跟进Agent领域的最新技术，并将其应用到业务场景中？
职位点评
薪资福利80
成长发展85
工作生活50
使命价值70
薪资福利
80较高
该职位为算法工程师，公司为上市公司，薪资可能具有市场竞争力，但JD未明确披露具体待遇和福利。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
85较高
职位涉及前沿AI和Agent技术，有良好的技能成长空间，但要求高，需要持续学习和快速验证新方法。
技术前沿前沿/新兴技术
技术栈LLM、Agent、PyTorch、HuggingFace、ReAct、CoT、Tool Use
业务类型profit_center
工作生活
50较低
JD未提及工作模式和WLB信息，可能需现场办公，加班情况未知，生活化动机满足有限。
工作模式未明确
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
70中等
AI搜索和Agent技术有应用前景，能推动技术转化为产品价值，但社会影响力中等，使命信号一般。
行业发展高速增长赛道
社会影响中性/一般
使命信号推动技术转化为产品核心竞争力
创新程度积极采用新技术
Watch Jobs