腾讯
游可爱-AI全栈开发工程师
游可爱-AI全栈开发工程师
发布于 大约 4 小时前普通员工/个人贡献者
全职员工仅现场办公全栈开发
全栈开发
Ai Agent
Monorepo
Rag
Workflow
前端性能优化
大模型应用
Vite/Rspack
值不值得投
80综合评分
综合评分 80
技术前沿、平台优质、成长性强，但WLB可能受限。
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
28K
比全栈开发中位数低
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 1950 个在招 · 其中全栈开发 5 个
市场机会
选择适中
深圳 · 全栈开发 · 17 个在招
职位详情
关于这个职位
该职位是腾讯‘游可爱’业务的AI全栈开发工程师，主要负责前端功能的开发与优化，并重点将业务场景进行AI化和Agent化改造
你需要基于大模型技术，完成Agent、RAG、Workflow的构建与落地，同时参与前端工程化（如Monorepo、构建工具优化）和AI工程化提效实践，实现高质量的业务交付
最低要求
本科及以上学历，计算机相关专业，3年以上前端开发经验（可根据能力适当调整）
精通JavaScript/TypeScript、HTML5、CSS3，具备扎实的计算机基础与工程化能力
熟练掌握Vue框架（含响应式原理、组件化设计），有大型中后台/B端复杂业务前端开发经验者优先
熟悉Monorepo+pnpm工程组织模式，掌握Vite/Rspack等现代构建工具的使用与优化
具备良好的接口对接能力，理解前后端协议协作逻辑（了解Protobuf/PB协议自动化实践者优先）
拥有主人翁意识与需求模块负责人心态，能独立负责一个业务模块的全流程开发
具备良好的产研沟通能力，可与产品、后端、测试团队高效协同推进项目
具备大模型应用开发经验，理解 Agent RAG Function Calling MCP Workflow 的原理与工程实现，能围绕业务场景独立设计并落地 AI 能力
对 AI 能力边界、事实校验、幻觉风险、敏感动作控制、结果可解释性有基本认知，能在实现中设计相应校验与约束机制
认可并实践「AI 工程化提效」，对 AI 辅助研发（Cursor CodeBuddy Harness Agent 工作流 MCP）有实践或强烈兴趣
工作职责
负责游可爱双域及小程序端的前端功能开发，实现B端中后台与C端业务页面的高质量交付
参与前端Monorepo架构建设与模块化演进，维护跨端复用的组件库与业务组件，提升代码复用率与开发效率
对接后端（Golang/trpc）接口，基于PB协议参与前后端协议自动化实践，确保联调效率与类型安全的数据交互
主导或参与构建工具链优化（如Vite/Rspack迁移、pnpm依赖管理），改善团队开发与构建体验
负责将业务场景 AI 化 Agent 化 Workflow 化，基于大模型构建 Agent RAG Workflow / MCP 能力，完成 Prompt 设计、工具与技能编排、知识库问答、异常兜底与效果验收
攻坚前端性能优化与复杂交互场景（如达人智选、数据看板、Agent应用），提升用户体验与系统响应能力
践行团队AI工程化（Harness/CodeBuddy），通过AI Agent覆盖需求拆解、页面生产、接口对接、自测发布全流程，并与TAPD需求/缺陷联动提效
严格遵循团队代码规范、分支提交规范，按内网工蜂+蓝盾+Tenc+gopass网关的标准研发发布流程推进项目
AI 洞察
优缺点分析
优点
- 技术栈前沿：直接参与业务AI化（Agent/Workflow）的落地，能快速积累大模型工程化的稀缺经验
- 平台优质：在大厂平台下，能接触到复杂的业务场景、成熟的工程规范和高效的协作流程
- 技能复合：同时锤炼前端工程化与AI应用两大核心能力，职业竞争力强
- 技术更新快：AI领域和前端工程化工具迭代迅速，需要持续学习以保持技术敏感度
- 适合具备扎实前端工程化基础，同时对AI技术有浓厚兴趣和实践经验，乐于解决复杂业务问题并追求技术深度的工程师
缺点 / 挑战
- 业务与技术双重挑战：需要快速理解‘游可爱’的业务逻辑，并将其转化为有效的AI解决方案，对综合能力要求高
- 大厂节奏：作为大厂项目，可能对交付质量和效率有较高要求
角色解读
- 技术专家路线：深耕前端工程化与AI应用结合领域，成为团队技术骨干或架构师
- 全栈发展路线：借助与Golang后端的紧密协作，向全栈工程师方向拓展能力
- 技术管理路线：在独立负责模块的基础上，逐步承担更多技术规划和团队协作职责
- 开发并优化‘游可爱’业务的前端页面与交互，包括B端中后台与C端小程序
- 深度应用大模型技术，将具体业务场景（如内容创作、数据分析）改造为AI Agent或Workflow，实现智能化
- 参与并主导前端工程化建设，如组件库维护、构建工具升级，提升团队整体研发效率
- 扎实的Vue全家桶及TypeScript开发能力，能够独立负责复杂的前端模块
- 理解并实践大模型应用，熟悉Agent、RAG、MCP等技术原理，能进行Prompt设计和工具编排
- 具备前端工程化视野，熟悉Monorepo模式和现代构建工具（Vite/Rspack），并有性能优化经验
申请策略
- 研究腾讯的‘工蜂’、‘蓝盾’等内部工具所代表的DevOps文化，面试时可体现对高效研发流程的认同
- 思考一个你熟悉的业务场景，构思如何用AI Agent或Workflow的方式去重构或增强它，并在面试中清晰阐述
- 突出使用Vue/TypeScript开发大型复杂前端项目的经验，尤其是B端中后台类项目
- 详细描述参与或主导的任何AI相关项目实践，如使用大模型API、搭建RAG系统或设计Agent工作流
- 列举在前端工程化方面的贡献，如组件库建设、构建工具优化或研发流程改进的具体案例
- 系统学习大模型应用开发的核心概念，如Prompt Engineering、Function Calling、RAG架构等，并尝试动手实践
- 深入了解Agent框架和Workflow编排工具，可尝试阅读相关开源项目文档或进行小型原型开发
- 复习并深化Vue源码理解、性能优化手段以及Monorepo工程管理知识
面试指南
- 对于工程化问题，采用STAR法则（情境、任务、行动、结果），并用具体数据说明优化前后的对比
- 对于AI应用问题，从理解业务场景出发，阐述技术选型的思考（为什么用Agent/RAG），并重点说明如何保证结果的可靠性和可控性
- 对于开放性问题，展现结构化思维：先明确目标，再拆解问题（如输入、处理、输出、异常），最后提出具体的技术或流程解决方案
- 请介绍一个你主导的前端工程化优化项目，具体遇到了什么问题，你如何解决并衡量效果？
- 你如何理解AI Agent与传统的后端服务在架构上的区别？请结合一个具体场景说明
- 如何设计一个Prompt，让大模型能准确完成一个特定的业务任务（如数据分类、内容生成）？需要考虑哪些约束？
- 当AI生成的结果出现幻觉或不符合预期时，在产品和工程层面可以设计哪些机制来应对？
- 准备1-2个能体现你前端工程化能力的项目案例，最好能画出架构图
职位点评
薪资福利85
成长发展90
工作生活60
使命价值80
薪资福利
85较高
作为已上市的大型科技公司，薪资福利体系应具有市场竞争力，但具体福利细节JD未提及。
薪资信号市场水准 (20K-35K/月)
成长发展
90较高
职位涉及前沿的AI应用开发与工程化实践，技术成长空间大，且大厂平台能提供良好的技术氛围和项目历练。
技术前沿前沿/新兴技术
技术栈AI Agent、RAG、MCP、Workflow、Vue、TypeScript、Golang、Vite/Rspack
业务类型profit_center
工作生活
60中等
JD未明确提及办公模式、工时安排或福利政策，工作与生活的平衡状况存在不确定性。
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
80较高
参与将具体业务用AI技术进行智能化改造，能直观看到技术创造的商业与应用价值，具有创新性和成就感。
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