商汤
Agent开发工程师，量子城市
Agent开发工程师，量子城市
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Langgraph
Llm
Rag
向量数据库
值不值得投
73综合评分
综合评分 73
前沿AI智能体开发岗，技术成长空间极大，但工作地点和WLB信息不明确。
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
与人工智能中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
76 个在招 · 其中人工智能 9 个
市场机会
选择面较广
上海 · 人工智能 · 约 230 个在招
职位详情
关于这个职位
这个职位专注于构建具有高度自主性的AI智能体（Agent），负责从架构设计、多智能体协作到工程落地的全流程开发
你需要运用大语言模型（LLM）和相关框架，让AI能够理解复杂任务、调用工具并执行，从而成为业务流程中的有效执行者
这是一个深入AI前沿应用、解决实际问题的技术岗位
最低要求
基础素质 • 计算机、人工智能或相关专业本科及以上学历，具有扎实的编程功底
• 精通 Python，熟悉异步编程、API开发（FastAPI/Flask）
LLM应用开发经验 • 深入理解Transformer原理及LLM局限性
• 熟练掌握至少一种主流Agent/LLM开发框架，如 LangChain, LangGraph, LlamaIndex, AutoGen 等
• 熟悉向量数据库（Milvus, Pinecone, Chroma等）及 RAG（检索增强生成）技术栈
工程能力 • 有实际的Function Calling / Tool Use 开发经验，能够定义清晰的工具Schema并处理模型幻觉
• 熟悉Docker容器化部署，有云原生开发经验者优先
解决问题能力 • 对新技术有极强的好奇心（如经常阅读Arxiv论文），能够快速复现Paper中的Agent设计思路（如Generative Agents, BabyAGI等）
工作职责
智能体架构设计与开发 • 基于主流大模型（Qwen, DeepSeek, Sense Nova-SI 等），设计并实现高可用的AI Agent架构
• 负责Agent核心模块的研发，包括：任务拆解与规划（Planning）、工具/API调用（Function Calling）、长期记忆机制（Memory/RAG）以及反思与修正（Reflection）
多智能体协作 • 设计多智能体协作模式（如SOP标准化流程、分层调度），利用框架（如LangGraph, AutoGen, CrewAI）实现多个Agent之间的信息流转与协同工作，解决复杂业务问题
Prompt Engineering与调优 • 编写高质量的System Prompt，针对特定场景进行Prompt优化（CoT, ReAct等策略），确保模型输出的稳定性、准确性和格式化
• 建立Agent效果评估体系（Evals），持续监控并优化Agent在真实场景下的表现
工程落地与集成 • 将Agent能力封装为标准API服务，与现有业务系统（IM、CRM、ERP等）进行深度集成
• 优化推理成本与响应延迟，探索模型蒸馏或小模型（SLM）在特定Agent场景下的应用
优先资格
有“多智能体（Multi-Agent）”项目落地经验：使用过LangGraph或AutoGen构建过复杂的Agent协作网络
• 模型微调经验：有SFT（监督微调）、LoRA微调经验，能够为了特定Agent能力（如指令遵循、特定格式输出）微调开源模型（Llama 3, Qwen 2）
• 全栈能力：熟悉TypeScript/Next.js，能独立开发Agent的前端交互界面（Chat UI）
• 开源贡献：在LangChain、LlamaIndex等开源社区有代码贡献者优先
AI 洞察
优缺点分析
优点
- 深度参与AI Agent这一前沿技术领域的开发，技术成长快，能接触到最新的模型和框架
- 工作内容直接解决实际业务问题，能看到技术从研发到落地的完整价值链条
- 任职于大型AI公司，技术平台和资源相对丰富，有利于积累复杂项目经验
- AI Agent技术栈发展迅速，需要持续学习并快速跟进新的框架、论文和最佳实践
- 适合对LLM和智能体技术有浓厚兴趣，具备扎实工程能力，喜欢探索技术边界并解决复杂问题的开发者
缺点 / 挑战
- Agent效果在真实场景中的稳定性、成本控制和延迟优化是持续的工程挑战
角色解读
- 技术路线可成长为AI Agent架构师或资深技术专家，专注于复杂系统设计与前沿技术探索
- 管理路线可向技术团队负责人发展，带领团队完成大型AI项目
- 也可横向发展，成为AI产品经理或解决方案架构师，连接技术与业务
- 设计和开发基于大语言模型的智能体（Agent）架构与核心模块
- 构建和管理多个智能体之间的协作流程，解决复杂业务任务
- 通过Prompt工程、效果评估和模型优化，提升Agent的性能和可靠性
- 将Agent能力工程化，封装为API并与业务系统集成
- 精通Python和异步编程，熟悉FastAPI等框架
- 深入理解LLM原理和Transformer，熟练使用LangChain、LangGraph等Agent开发框架
- 掌握RAG技术栈和向量数据库
- 具备Function Calling/Tool Use的实际开发经验
申请策略
- 在申请前，可以尝试用相关框架搭建一个小型的Agent原型，这将极大增强说服力
- 研究商汤“量子城市”项目或SenseNova大模型，了解其技术方向和业务场景，在面试中展现你的思考和热情
- 重点突出Python项目经验，特别是与LLM、RAG或Agent相关的项目
- 详细描述使用LangChain/LangGraph等框架的具体实践，以及如何设计Agent的规划、工具调用和协作流程
- 展示解决技术难题（如模型幻觉、多轮对话状态管理）的案例
- 深入研读Agent领域的核心论文（如Generative Agents, ReAct, AutoGen等）并动手复现
- 系统学习RAG的进阶优化策略（如查询改写、混合检索）
- 关注并实践多智能体协作的最新框架和模式
面试指南
- 对于架构设计问题，遵循‘分层与模块化’思路，从感知、规划、执行、反思等层次展开
- 对于优化问题，结合‘问题定位-原因分析-解决方案-效果验证’的闭环进行阐述
- 对于案例问题，采用‘背景-目标-技术选型-实施过程-遇到的困难与解决方案-最终效果与反思’的STAR结构回答
- 请描述你如何设计一个能够完成复杂任务的AI Agent架构？包括哪些核心模块？
- 在多智能体协作系统中，你如何解决Agent之间的通信、任务分配和冲突问题？
- 当Agent在真实场景中出现幻觉或输出格式错误时，你会如何排查和优化？
- 如何评估一个Agent在特定业务场景下的效果？你会建立怎样的评估体系？
- 请介绍一个你使用RAG技术解决实际问题的案例，遇到了哪些挑战，如何克服？
职位点评
薪资福利70
成长发展92
工作生活55
使命价值65
薪资福利
70中等
作为已上市的大型AI公司，薪资具有市场竞争力，但JD未明确提及具体福利项。
薪资信号市场水准 (2.5–4.5万/月)
成长发展
92较高
该职位处于LLM和Agent技术的最前沿，技术栈现代且更新快，有明确的技术成长和项目实践路径。
技术前沿前沿/新兴技术
技术栈LLM、Agent、LangChain、LangGraph、AutoGen、RAG、向量数据库、Function Calling、Prompt Engineering、模型微调、LoRA、Docker
业务类型profit_center
工作生活
55较低
JD未明确说明工作模式，按常规推断为现场办公，可能影响通勤和灵活性。未提及任何关于工作生活平衡的信号。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
65中等
岗位工作本身技术含量高，能推动AI技术的实际应用，但JD未明确阐述其社会价值或公司使命。
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
商汤 的其他在招职位
相似职位推荐
Watch Jobs