腾讯
光子艺术部-Agent 研发工程师
光子艺术部-Agent 研发工程师
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公后端开发
后端开发
Go
Langgraph
Llm
Mcp
上下文工程
分布式系统
微服务
值不值得投
80综合评分
综合评分 80
腾讯光子核心 AI 岗，技术栈前沿且成长空间极大，薪资竞争力强，但工作节奏与交付压力较高。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
5.5万
比后端开发中位数高
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 2020 个在招 · 其中后端开发 47 个
市场机会
选择面较广
深圳 · 后端开发 · 约 120 个在招
职位详情
关于这个职位
该职位负责腾讯光子艺术部面向创作场景的多轮 Agent 系统研发，涵盖编排运行时、上下文工程及工具体系等核心链路
你需要独立设计 Agent 执行流程，优化上下文管理与工具调用，并建设效果评测与可观测闭环，保障系统的高效稳定运行
最低要求
计算机相关专业本科及以上学历，5 年以上后端 / 分布式系统研发经验，其中至少 2 年 LLM / Agent 生产系统经验
能独立负责高并发服务的设计、上线、容量规划与线上排障
Go 作为主力语言有生产级交付经验（具备扎实的 C++ / Java / Rust 大规模并发系统背景可接受，入职后以 Go 交付）
熟悉微服务、配置中心、容器与 K8s，改动必须可回滚、可观测、可灰度
独立设计并上线过完整的多轮工具调用 Agent 运行时（排除框架套壳、低代码编排、单轮问答 Demo），对执行状态机、上下文装配、失败恢复与幂等有完整设计权责，能讲清一次请求从接入到产物校验的分层与取舍
对上下文工程有生产级实践：能设计分层预算与裁剪优先级，理解 prompt 结构对前缀缓存命中的约束，能处理长程会话下的窗口溢出、摘要失真、工具轨迹膨胀与多模态上下文
对 LLM 工程有量化认知并能用自己项目里的数据说话：上下文窗口与 token 计费、TTFT 与端到端延迟的区别、流式协议、结构化输出稳定性、模型路由与降级、重试与幂等边界
具备生产级可观测与成本意识：能基于 Trace / Metrics / Logs 将一次 Agent 请求拆到编排、模型、工具、检索各段，定位延迟、错误率与成本异常，并用对照实验验证优化是否生效
熟悉主流 Agent 框架与协议生态（如 LangGraph、AutoGen、OpenAI Agents、Claude Agent SDK、MCP、A2A 等），有源码级改造或自研运行时经验，而不是停留在官方 Demo 或低代码编排
工程规范过硬：核心路径单测覆盖边界与失败场景，配置与策略外置，能把模糊需求写成可验收的接口契约，并与上下游直接对协议、对验收标准
工作职责
负责面向创作场景的多轮 Agent 系统研发与线上演进，覆盖编排运行时、上下文工程、工具体系等核心链路，保障长程任务可中断、可恢复、可追溯
独立设计并落地 Agent 执行流程：多步任务拆解与推进、子 Agent 调度、任务挂起与恢复、人在环确认，以及超时、部分失败、重复调用的兜底策略
负责上下文分层组织与预算分配，设计历史裁剪 / 压缩、会话摘要、缓存友好的 prompt 结构，以及多模态内容接入方案
建设工具体系：接口与错误语义、工具网关、调用幂等与重试、产物校验与出站管控，对齐 Function Calling / MCP 等外部协议
建设效果评测与可观测闭环：评测用例与回归门禁、全链路追踪与分段埋点、成本归因与延迟拆解，用数据驱动效果与成本优化
与产品、前端、客户端协同，将模糊需求收敛为可验收的接口契约与跨端协议，保障同一套 Agent 能力在 Web 与桌面端一致交付
AI 洞察
优缺点分析
优点
- 处于 AI Agent 技术最前沿，能深度参与大模型应用层核心引擎的研发，技术壁垒高
- 依托腾讯光子艺术部的创作场景，业务落地价值大，能接触到海量真实用户与复杂多模态需求
- 团队技术氛围浓厚，工程规范要求高，有助于培养顶级的系统设计与架构能力
- Agent 系统处于快速发展期，技术栈和协议（如 MCP、A2A）迭代极快，需要持续保持高强度的学习
- 适合具备扎实后端工程能力，且对 LLM/Agent 技术有深度实践和热情，渴望在 AI 应用基础设施方向深耕的高级研发工程师
缺点 / 挑战
- 长程任务的可观测性、成本控制和兜底策略极具挑战，线上排障和性能优化的难度较大
角色解读
- 纵向可发展为 AI 基础架构或 Agent 引擎方向的技术专家/架构师
- 横向可拓展至 AI 产品技术负责人，统筹 AI 能力在创作场景的落地与商业化
- 负责多轮 Agent 系统的核心架构设计与研发，包括编排运行时、上下文工程和工具体系
- 设计并落地 Agent 执行流程，处理多步任务拆解、子 Agent 调度及异常兜底策略
- 建设效果评测与可观测闭环，通过全链路追踪和成本归因优化系统性能与成本
- 扎实的 Go 语言及分布式系统开发能力，熟悉微服务、K8s 及高并发架构
- 具备 LLM/Agent 生产系统实战经验，深入理解上下文工程、Prompt 结构及工具调用协议（如 MCP、Function Calling）
- 拥有生产级可观测性建设经验，能基于 Trace/Metrics/Logs 进行性能调优与成本拆解
申请策略
- 提前了解腾讯光子艺术部的具体业务场景（如游戏美术创作、AI 辅助设计等），思考 Agent 技术如何赋能这些场景
- 准备好应对深度技术拷问，特别是关于 Agent 执行状态机、上下文窗口溢出处理及成本归因的底层逻辑
- 突出独立设计并上线多轮工具调用 Agent 运行时的完整经历，强调对状态机、上下文装配和失败恢复的设计细节
- 量化 LLM 工程成果，如通过上下文裁剪、缓存优化降低的 Token 成本或提升的 TTFT 指标
- 展示在主流 Agent 框架（如 LangGraph、AutoGen）上的源码级改造经验或自研运行时的架构设计
- 深入学习 MCP、A2A 等最新 Agent 协议生态，了解多模态上下文处理的前沿方案
- 强化 Go 语言在大规模并发系统中的应用，补充 K8s 及微服务可观测性（如 OpenTelemetry）的实战经验
面试指南
- STAR 法则：针对架构设计问题，按照情境（业务痛点）、任务（设计目标）、行动（具体技术方案与取舍）、结果（量化收益）来组织回答
- 对比分析法：在回答框架选型或协议对齐时，先说明各方案的优缺点，再阐述最终选择的理由及落地效果
- 请详细描述你独立设计并上线的多轮 Agent 运行时的架构，特别是执行状态机和失败恢复机制是如何设计的？
- 在长程会话中，你是如何处理上下文窗口溢出、摘要失真以及工具轨迹膨胀问题的？
- 如何基于 Trace/Metrics/Logs 将一次 Agent 请求拆解到各段，并进行成本归因与延迟优化？
- 对比 LangGraph、AutoGen 等主流框架，你在源码级改造或自研运行时中解决了哪些框架无法解决的痛点？
- 复盘自己过往项目中的核心代码和架构图，确保能清晰画出请求从接入到产物校验的分层流转图
- 准备几个具体的线上故障排查案例，展示自己如何通过可观测性工具定位并解决延迟或成本异常问题
职位点评
薪资福利85
成长发展95
工作生活50
使命价值80
薪资福利
85较高
腾讯作为头部互联网企业，高级研发岗薪资具备较强竞争力，且福利体系完善，但具体薪资需根据面试定级确定。
薪资信号未披露（AI估算：4千–7万/月）
成长发展
95较高
岗位处于 AI Agent 技术最前沿，能深度参与核心引擎研发，技术成长空间极大，且团队技术氛围浓厚。
技术前沿前沿/新兴技术
技术栈Go、LLM、Agent、Kubernetes、LangGraph、AutoGen、MCP、A2A、Function Calling
成长机会技术社区、分享团队能量
业务类型ambiguous
工作生活
50较低
JD 未明确提及工作模式与 WLB 相关信息，但高级研发岗及 AI 核心业务通常面临较高的交付压力与快节奏。
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
AI Agent 技术具有极高的行业前景与创新价值，赋能创作场景能带来较强的技术成就感与社会影响力。
行业发展高速增长赛道
社会影响中性/一般
使命信号为卓越的产品体验保驾护航、用技术引领新的变革
创新程度积极采用新技术
Watch Jobs