企业微信
企业微信-大模型算法工程师-Agent应用（广州/北京）
企业微信-大模型算法工程师-Agent应用（广州/北京）
发布于 6 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
Llm
Multi-Agent
Rag
Sft
上下文工程
强化学习
提示工程
值不值得投
73综合评分
综合评分 73
前沿AI Agent技术研发岗，技术成长性极强，但具体工作生活平衡情况未知。
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
4.5万
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
9 个在招 · 其中人工智能 3 个
市场机会
选择面较广
广州 · 人工智能 · 54 个在招
职位详情
关于这个职位
该职位负责构建和优化基于大模型的多智能体（Agent）系统，目标是让AI从简单的对话助手演进为能自主执行复杂任务的智能体
工作重点是将企业微信的各项能力Agent化，并应用于企业内外部的自动化经营与服务场景，需要解决长链路、高难度任务中的规划、推理和工具调用问题
最低要求
计算机、机器学习等相关专业，硕士及以上学历，具备扎实的计算机与算法基础
对大模型和 Agent 有较深入理解：熟悉主流 Agent 架构与范式（Multi-Agent 架构，ReAct / Plan-and-Act / CodeAct 等推理-行动范式）、上下文工程与管理（Context Engineering / Management）
熟悉常见的 LLM 应用范式、提示工程、评估框架、Agent 框架与检索（RAG）框架
具备多智能体系统、复杂任务 Agent、办公 / 经营服务场景的落地经验，或熟悉 Post-training（SFT、RL）训练优化者优先
在 ACL、EMNLP、NeurIPS 等顶尖会议上发表过论文，或为优秀机器学习开源项目做出过贡献者优先
工作职责
负责构建具备自主决策、协作与工具调用能力的多智能体系统（Multi-Agent System），推动大模型从"对话式 AI"向"任务执行体"演进，解决自动化经营、服务等复杂场景下的自动化问题
深入研究并应用 LLM 的复杂推理技术，持续优化办公场景中长链路、高难度任务的执行效果，赋予 Agent 独立探索与解决问题的能力
主导企微现有能力的 Agent 化改造与对外能力开放，推动 Agent 在企业对外服务、内部经营等复杂场景中的深度落地
运用规划、推理与上下文工程等方法，提升大模型的指令遵循能力，以及知识边界探索与抗干扰能力
AI 洞察
优缺点分析
优点
- 直接参与企业级AI Agent系统的前沿探索与落地，技术含量极高
- 依托于成熟的即时通讯平台（企业微信），应用场景明确，能产生实际业务价值
- 接触大模型最前沿的研究与工程实践，技术成长空间广阔
- 技术难度大，需要同时具备扎实的AI理论基础、工程实践能力和复杂场景理解能力
- Agent技术尚在快速演进，需要持续跟进并解决大量开放性、不确定性问题
- 对AI Agent和LLM应用有强烈兴趣，具备扎实算法和工程能力，乐于解决复杂、非标问题的技术研究者或高级工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕Agent与LLM技术，成为该领域的架构师或首席科学家
- 技术管理路线：带领团队攻克AI应用落地难题，负责更大规模的产品智能化
- 设计并构建能够自主规划、使用工具和多智能协作的AI Agent系统
- 研究并落地大模型的复杂推理技术，让AI能处理企业场景中的长链路、高难度任务
- 将企业微信现有功能进行Agent化改造，并开放给外部生态使用
- 深入理解并实践主流Agent架构（如ReAct, Plan-and-Act）与范式
- 精通上下文工程（Context Engineering）、提示工程（Prompt Engineering）和检索增强生成（RAG）
- 具备多智能体系统设计与落地经验，熟悉Post-training技术（如SFT, RL）
申请策略
- 在面试中清晰阐述你对Agent从‘对话’到‘任务执行’演进路径的理解
- 结合具体案例，展示你如何解决Agent在实际场景中面临的‘幻觉’、工具调用失败等问题
- 突出任何与多智能体系统、复杂推理、Agent框架相关的项目或研究经历
- 详细描述在大模型应用（如RAG、提示工程、后训练）方面的实践经验与成果
- 列出在顶级学术会议（ACL/NeurIPS等）发表的论文，或知名开源AI项目的贡献
- 系统学习并实践最新的Agent框架（如LangChain, AutoGen）和评估方法
- 深入研究强化学习（RLHF）和监督微调（SFT）在大模型后训练中的应用
面试指南
- 采用‘背景-行动-结果’（STAR）框架具体描述项目经历，突出技术决策和优化过程
- 从‘问题定义-技术选型-系统设计-实验验证-挑战与优化’的逻辑链条回答系统设计问题
- 结合理论（如强化学习原理、注意力机制）与工程实践（如具体框架、代码实现）进行回答
- 请描述一个你设计的复杂Agent系统，其中如何处理子任务的分解与协调？
- 在Agent应用中，如何平衡任务执行的成功率与效率？请举例说明
- 你认为当前大模型Agent技术最大的瓶颈是什么？你有什么可能的解决思路？
- 如何评估一个多智能体系统的性能？有哪些关键指标？
- 请介绍你对Post-training（如SFT、RL）技术在Agent能力提升中作用的理解
职位点评
薪资福利70
成长发展90
工作生活55
使命价值70
薪资福利
70中等
公司为已上市的大型企业，提供有竞争力的薪酬和稳定性，但具体薪资福利未在JD中披露。
薪资信号未披露（AI估算：3千–6万/月）
成长发展
90较高
该岗位聚焦于大模型和Agent的最前沿技术探索与应用落地，技术挑战高，成长空间巨大，是典型的研发驱动型岗位。
技术前沿前沿/新兴技术
技术栈Multi-Agent、LLM、RAG、ReAct、SFT、RL、上下文工程
成长机会主导...改造与对外能力开放
业务类型profit_center
工作生活
55较低
JD未提及工作模式、加班情况或WLB相关政策，信息不足，无法判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
岗位旨在推动企业办公与服务的智能化升级，有明确的行业应用价值，但使命感主要体现在技术实现而非直接的社会公益。
行业发展高速增长赛道
社会影响中性/一般
使命信号解决自动化经营、服务等复杂场景下的自动化问题
创新程度开拓性创新（行业首创）
Watch Jobs