传音
AI Agent 工程开发工程师(J20331)
AI Agent 工程开发工程师(J20331)
发布于 5 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
Ai Agent
Prompt工程
Rag
大模型
值不值得投
72综合评分
综合评分 72
前沿AI技术岗位、工程实践要求高、业务价值明确、WLB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
4万
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
约 480 个在招 · 其中人工智能 25 个
市场机会
选择面较广
上海 · 人工智能 · 约 320 个在招
职位详情
关于这个职位
该职位负责设计和开发生产级的AI Agent系统，利用大语言模型（LLM）实现任务规划、记忆管理、工具调用等智能体闭环，以支持企业各类业务自动化
工作重点包括Prompt工程体系标准化、能力工具化封装、服务的工程化部署与运维，并持续跟进前沿技术以提升业务提效价值
最低要求
计算机、人工智能、软件工程等相关专业本科及以上学历，硕士优先
精通Python工程开发，熟练异步编程、FastAPI/Flask服务开发与工程化封装
熟悉SQL、Redis、主流向量数据库（Milvus/PGVector/Faiss任选其一）
了解Docker容器部署、微服务API设计与对接规范
熟练掌握主流大模型API调用、Function Calling、流式输出能力，理解大模型基础特性与能力边界
熟练使用LangChain/LangGraph/LlamaIndex任意一套主流Agent开发框架，熟悉Memory、Chain、Agent、Tool核心组件与工作原理
精通Prompt工程、RAG检索增强、Text2SQL、多轮对话上下文管理能力，能够针对性解决大模型幻觉、上下文窗口限制、Prompt注入等线上问题
熟悉至少一种Agent Harness运行框架，理解智能体Harness底层运行逻辑，具备智能体任务编排、状态管理、工具调度、执行容错等底座能力的开发与落地经验
工作职责
基于LLM搭建、迭代生产级AI Agent系统，落地任务规划、记忆管理、工具调用、多轮推理、自纠错完整智能体闭环，支撑企业各类业务自动化场景落地与规模化复用
负责公司Prompt工程体系标准化建设，落地CoT、ReAct、少样本学习、结构化输出约束等方案，针对性做大模型幻觉抑制、Prompt缓存优化、Prompt注入安全防护，提升Agent输出稳定性与准确性
负责企业能力工具化封装，将内部业务API、数据库、代码执行能力、第三方服务封装为标准化Agent Tool，统一函数调用协议与入参出参规范，打通Agent与各业务系统的数据、能力链路
负责Agent服务的工程化部署与运维，基于Docker/K8s完成容器化部署，搭建日志监控、告警、灰度发布能力，保障线上服务高可用、低时延、低成本运行
持续跟进AI Agent前沿开源方案与工程实践，结合业务场景做技术验证与落地优化
协同产品、业务团队拆解复杂业务流程，拆解为可自动化的Agent任务链路，持续提升业务提效价值、降低人工运维成本
AI 洞察
优缺点分析
优点
- 技术前沿性强：直接参与当前AI领域最热门的Agent方向，能快速积累稀缺的工程实践经验
- 工程化要求高：职位强调生产级、高可用和系统性，有利于培养扎实的软件工程素养和系统设计能力
- 业务价值明确：工作直接服务于业务自动化与提效，成果易于衡量和展示
- 框架与工具丰富：要求使用LangChain等主流框架，技术栈现代且社区活跃
- 技术迭代快：AI Agent领域技术演进迅速，需要持续学习以跟上最新框架和方案
- 系统复杂性高：需要同时处理LLM调用、工具链、状态管理、部署运维等多个层面的问题
- 业务理解门槛：需要将抽象的业务需求转化为具体的Agent任务链，对沟通和分析能力有要求
- 适合对AI大模型应用有浓厚兴趣、具备较强软件工程能力，并愿意深入解决复杂工程问题的高级开发工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕AI Agent与LLM应用领域，成为该方向的技术架构师或首席工程师
- 技术管理路线：凭借技术深度与项目经验，向技术团队负责人或AI部门管理者发展
- 业务融合路线：深度理解业务，转型为AI解决方案专家或AI产品经理，驱动AI与业务的结合创新
- 设计、开发并运维基于大语言模型（LLM）的生产级AI Agent系统，解决实际的业务自动化问题
- 构建和优化公司的Prompt工程体系，确保AI输出的质量、稳定性和安全性
- 将企业内外部能力（如API、数据库）封装成Agent可调用的标准化工具，实现与业务系统的深度集成
- 扎实的Python工程开发能力，熟悉异步编程、Web框架及数据库技术
- 深入理解主流AI Agent框架（如LangChain）和大模型特性，能够处理幻觉、上下文等线上问题
- 具备完整的AI应用部署与运维经验，熟悉容器化、监控告警等工程实践
- 能够将复杂的业务流程抽象为可自动化的Agent任务，具备良好的系统设计与分析能力
申请策略
- 研究传音公司的主要业务（如智能手机、移动互联服务）以及其AI技术可能的应用场景（如智能助手、用户交互、内部效率工具），在面试中能展现你对业务的理解和思考
- 准备一些关于AI Agent技术局限性（如延迟、成本、可靠性）以及应对策略的见解，这能体现你的深度思考
- 突出使用LangChain/LlamaIndex等框架构建Agent或RAG系统的具体项目经验，说明解决的问题和取得的效果
- 详细描述在工程化方面的工作，如如何设计API、使用Docker/K8s部署、实现监控告警，体现生产级意识
- 展示在Prompt工程方面的实践，例如如何通过优化Prompt解决大模型幻觉、提高输出一致性或安全性
- 提供独立负责或深度参与的、能体现系统设计能力的项目案例
- 系统性地学习并实践一个Agent开发框架（如LangChain），理解其核心组件并完成一个端到端的项目
- 深入理解LLM的特性（如上下文窗口、幻觉问题）和主流缓解方案（如RAG、思维链CoT），并阅读相关论文或技术博客
面试指南
- STAR法则（情境-任务-行动-结果）：清晰描述项目背景、你的职责、采取的具体技术方案（如使用了什么框架、设计了什么架构）以及最终达到的效果
- 结构化阐述：回答技术设计问题时，可以按照“目标-方案-选型-风险与优化”的逻辑进行阐述，体现系统性思维
- 强调工程思维：在谈论任何AI功能时，都主动关联到工程化落地，如部署、监控、可维护性和成本控制
- 请介绍一个你使用LangChain/LlamaIndex构建的Agent项目，遇到了哪些挑战，如何解决的？
- 如何设计一个能够有效抑制大模型幻觉的RAG系统？请描述关键步骤和考虑因素
- 在一个涉及多次工具调用的Agent任务链中，如果中间某一步失败了，你会如何设计容错和重试机制？
- 如何评估一个生产级AI Agent系统的性能（如延迟、成本、准确性）？你会设置哪些监控指标？
- 对于Prompt注入攻击，有哪些工程上或设计上的防御措施？
职位点评
薪资福利65
成长发展85
工作生活60
使命价值80
薪资福利
65中等
职位未明确披露薪资范围，但作为高级技术岗位，在上海市场应具备一定竞争力。JD中未提及具体的薪酬福利结构。
薪资信号未披露（AI估算：3千–5万/月）
成长发展
85较高
该职位处于AI Agent技术前沿，要求掌握LLM、RAG、Prompt工程等前沿技能，并有工程化落地实践，技术成长空间明确。
技术前沿前沿/新兴技术
技术栈Python、LangChain、LangGraph、LlamaIndex、Prompt工程、RAG、Text2SQL、Function Calling、Docker、Kubernetes、FastAPI
业务类型profit_center
工作生活
60中等
JD未提及办公模式（如远程、混合）和工作时间安排，工作生活平衡信息不足。作为工程开发岗位，可能存在一定的项目交付和运维压力。
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
80较高
职位聚焦于利用AI Agent技术实现企业业务自动化，直接追求效率提升和成本降低，具有明确的技术应用价值和业务导向。
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