腾讯地图-Agent工程师

优缺点分析

角色解读

• 可向AI应用架构师或大模型应用专家方向发展，深入探索多模态Agent与企业级AI工作流融合
• 可转型为AI产品技术负责人，主导跨部门AI生态共建与商业化落地
• 聚焦AI Agent在地图业务中的落地，负责工作流编排、工具调用(MCP)及记忆模块的开发与维护
• 主导AI原生开发全流程，从需求拆解到上线部署，构建可复用的工程化框架
• 利用数据驱动与AB实验方法论，持续优化Agent性能与用户体验
• 精通AI原生开发范式，熟练掌握工作流编排与MCP协议
• 具备扎实的编程基础与高质量代码交付能力，熟悉数据评测与归因分析
• 拥有较强的系统架构思维与跨团队协作沟通能力

申请策略

• 提前了解腾讯地图最新业务动态与AI布局，面试时展现对AI工程化落地的深度思考
• 突出AI Agent/LLM应用项目经验，重点展示工作流编排、工具调用(MCP)及记忆机制的实现细节
• 强调数据驱动实践，提供AB实验设计与归因分析的具体案例与量化成果
• 展示高质量代码交付记录，如开源贡献、技术博客或复杂系统重构经历
• 深入研读LangChain/LlamaIndex等主流框架源码，掌握MCP协议标准与工具注册机制
• 强化系统设计与性能调优能力，熟悉大规模分布式系统的稳定性保障方案

面试指南

• 采用STAR法则结构化陈述项目背景、任务目标、具体行动与量化结果
• 针对技术难点，先阐述原理与选型依据，再对比替代方案，最后总结复盘与工程化沉淀
• 结合业务场景说明技术方案的价值，突出数据验证闭环与可复用性
• 请分享一个你主导的AI Agent或工作流编排项目，遇到的最大挑战及解决方案？
• 如何设计并评估一个AI Agent的Performance？你会使用哪些指标和实验方法？
• 谈谈你对MCP协议的理解，它在实际工程中如何解决工具调用与安全隔离问题？
• 面对快速迭代的AI技术，你如何保持技术敏感度并转化为工程生产力？
• 复习大模型应用架构核心概念（Prompt工程、RAG、Tool Use、Memory），准备1-2个完整的项目案例