Agent平台工程师-AI for Science

优缺点分析

角色解读

• 可深入 Agent 与 AI 前沿技术，成为智能体平台架构师或技术专家
• 横向扩展至 AI for Science 领域，结合科研场景推动技术应用
• 后期可向技术管理或产品方向转型，带领团队构建更复杂的自动化系统
• 设计和开发面向自动科研场景的 Agent 平台，构建可扩展的研究自动化框架
• 实现 Agent Workflow、多 Agent 协作等核心能力，集成搜索、代码执行、实验分析等工具
• 参与 Agent Memory、评估、可观测性等模块建设，提升系统稳定性与迭代效率
• 与算法、科研团队协作，理解需求并持续优化平台，支撑 Auto Research 落地
• 精通 Python，具备扎实的工程能力和系统设计能力
• 熟悉 LLM 应用开发，理解 Agent、Tool Calling 等概念并有实践经验
• 掌握至少一种 Agent 框架（如 LangGraph、AutoGen 等），有相关项目经验者优先
• 具备快速学习和问题分析能力，能从0到1完成复杂功能设计

申请策略

• 在求职信中表达对 Agent 和 Auto Research 的强烈兴趣，并结合自身经历阐述为何适合
• 了解字节跳动在 AI for Science 方向的布局，展示对业务的理解和热情
• 突出 Python 后端开发经验，特别是独立完成系统设计和功能实现的项目
• 详细描述 LLM/Agent 相关的项目经历，包括所用框架、实现的核心能力
• 展示快速学习能力和问题解决能力，例如从0到1构建的复杂功能
• 如有 AI 科研或工具集成经验，务必强调，与职位高度匹配
• 若未使用过 Agent 框架，可快速学习 LangGraph 或 AutoGen，并动手构建一个小型 Agent 项目
• 补充对 MCP、Browser Agent 等新兴技术的了解，增强竞争力

面试指南

• 对于项目经验问题，使用 STAR 法则（情境、任务、行动、结果）清晰描述
• 对于设计类问题，先阐述关键设计原则（模块化、可扩展、可观测），再举例具体方案
• 对于技术理解问题，结合实际经验说明优点和不足，展现深度思考
• 请介绍一个你使用 LLM/Agent 的项目，遇到了哪些挑战，如何解决的？
• 如何设计一个支持多 Agent 协作的 Workflow？需要考虑哪些关键点？
• 你如何评估一个 Agent 系统的性能？有哪些指标和工具？
• 请描述从0到1设计一个复杂系统的过程，你如何确保可扩展性和可维护性？
• 你对 Auto Research 有哪些了解？你认为 Agent 在科研中有哪些应用场景？