腾讯
高级Agent工程师
高级Agent工程师
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Agent框架
Llm
Python/Go/Java
上下文工程
时序异常检测
根因分析(Rca)
模型评测
系统架构
值不值得投
75综合评分
综合评分 75
前沿Agent技术栈、核心业务线赋能、技术成长空间大，WLB与薪资细节待确认
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
比机器学习工程中位数高
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 2100 个在招 · 其中机器学习工程 46 个
市场机会
选择面较广
深圳 · 机器学习工程 · 约 100 个在招
职位详情
关于这个职位
负责智能诊断Agent的规划、推理与决策能力研发，主导时序异常检测与根因诊断算法落地
需构建多源证据融合与上下文记忆机制，设计核心Agent运行时架构，并建立完整的评测体系，推动AI技术从研究到广告业务生产环境的端到端交付
最低要求
计算机、人工智能或相关专业本科及以上学历，具备扎实的算法、概率统计、机器学习与计算机系统基础，能够将复杂生产问题转化为明确的技术假设、实验方案与系统设计
具备时序异常检测与根因诊断的算法建模和落地能力
对多变量时序、变点检测、时滞分析、因果分析或图与拓扑分析中的一种或多种方法有深入理解，能够从复杂信号中识别异常、分析关联并定位根因
深入理解 LLM 与 Tool-Using Agent 的核心机制，有复杂多步任务的实际开发经验，熟悉 Planning、Context Engineering、Memory、Tool Use 等关键机制，能够分析 Agent 失败原因，并在模型、算法和执行机制之间做出合理技术取舍
具备较强的系统架构与核心代码实现能力
熟练掌握 Python、Go、Java 中至少一种语言，有复杂生产系统建设经验，能够独立处理并发执行、状态管理、故障恢复、性能优化与线上问题定位
具备严谨的实验设计与效果评测能力，能够建立可靠基线、可复现实验和评测体系，通过真实 Case、离线回放、消融实验等方式定位问题，并验证算法和系统收益
有独立负责复杂技术项目的经历，能够在目标和数据不完全明确的情况下定义问题、选择技术路线并推动生产落地，对关键技术决策和最终效果负责
工作职责
负责智能诊断 Agent Harness的规划、推理与决策能力，建设从异常理解、候选根因生成、证据采集、假设验证到结论输出的完整诊断链路
主导时序异常检测与根因诊断算法研发，面向大规模、多变量业务与系统指标，结合时序变化、指标关联、异常传播、链路拓扑及系统变更，实现异常发现、关联分析与候选根因排序
建设多源证据融合与 Context / Memory 能力，联合 Metrics、Logs、Trace、业务知识、代码、配置、实验及发布变更，解决动态检索、上下文压缩、时态一致性和经验复用等问题，提升根因诊断准确性与证据可信度
负责核心 Agent Harness / Runtime 的架构设计与关键实现，解决复杂长链路任务中的工具调用、状态管理、并行取证、中断恢复、上下文管理、结果冲突和执行 Trace 等问题，持续优化 Agent 的可靠性、时延和成本
建立可复现、可归因的 Agent 评测体系，将真实案例和线上 Badcase 转化为 Eval Case，通过 Ground Truth、离线回放、Grader、消融实验和 Shadow Evaluation，定位模型、算法、Context、Tool、Harness 和数据问题并持续优化
与广告业务、算法及平台团队协作，端到端推动关键能力从算法研究、原型验证走向生产交付，将真实线上问题持续转化为算法和系统能力
AI 洞察
优缺点分析
优点
- 接触业界前沿的LLM Agent与AIOps交叉领域，技术栈极具前瞻性与稀缺性
- 直接赋能广告核心业务线，项目产出可见度高，容易积累标杆级落地案例
- 团队技术氛围浓厚，强调科学实验与数据驱动，有利于培养严谨的工程与研究双栖能力
- 需同时兼顾算法研究与系统工程落地，对跨领域知识整合与抗压能力要求极高
- 适合具备扎实算法功底与系统开发经验、热爱探索大模型前沿应用、能在模糊需求下独立攻坚的技术专家型候选人
缺点 / 挑战
- 长链路任务的状态管理与上下文压缩存在较高技术门槛，调试与优化难度大
- 线上Badcase归因复杂，需频繁协调多方数据与日志，沟通与推进成本较高
角色解读
- 向AI Infra或大模型应用架构师方向深耕，主导跨部门AI能力平台建设
- 转向算法负责人或技术专家角色，负责核心诊断引擎的长期演进与技术选型
- 拓展至智能运维(AIOps)或企业级Agent产品化方向，打通技术与商业落地闭环
- 负责智能诊断Agent的规划、推理与决策模块开发，搭建从异常发现到根因输出的完整链路
- 主导时序异常检测算法研发，结合多维业务指标与系统拓扑进行关联分析与根因排序
- 设计Agent运行时架构，优化上下文管理、工具调用、状态恢复等核心机制以提升系统稳定性
- 构建自动化评测体系，通过离线回放与消融实验持续迭代模型与算法效果
- 扎实掌握机器学习、概率统计与时序数据分析方法，具备变点检测与因果推断能力
- 深入理解LLM与Tool-Using Agent机制，熟练运用Planning、Memory与Context Engineering技术
- 精通Python/Go/Java至少一门语言，具备高并发、分布式系统的架构设计与性能调优经验
- 具备严谨的实验设计思维，能独立搭建可复现的评测基线与Badcase归因流程
申请策略
- 提前调研腾讯广告业务的AIOps现状，准备1-2个针对其痛点的Agent架构设想
- 面试前梳理过往项目中“从0到1”推动算法落地的完整闭环，重点突出技术取舍依据
- 突出LLM Agent或AIOps相关项目，重点描述Planning、Memory、Tool Use等核心模块的实现细节
- 量化时序异常检测或根因分析的准确率提升、延迟降低等核心业务指标
- 展示复杂生产系统的架构设计能力，如高并发处理、故障恢复机制与性能优化实践
- 提供完整的实验评测案例，说明如何建立基线、设计消融实验并定位系统性问题
- 补充LangChain/LlamaIndex等主流Agent框架源码阅读与二次开发经验
- 强化多变量时序分析工具链（如Prophet、Kats、PyOD）与图神经网络在根因定位中的应用
面试指南
- 采用STAR法则结构化回答：背景痛点→技术方案选型→核心难点突破→量化结果与复盘
- 针对系统设计题，先明确边界条件与约束，再分层阐述数据流、控制流与状态管理机制
- 针对算法题，对比不同方法的优劣，结合业务场景说明权衡依据，并补充线上监控与回滚预案
- 请详细描述你设计过的一个复杂Agent系统，它是如何处理长链路任务中的上下文丢失问题的？
- 在多变量时序场景下，如何平衡异常检测的召回率与误报率？请结合具体算法说明
- 当线上出现Agent幻觉或错误决策时，你的评测体系如何快速定位是模型、Prompt还是工具链的问题？
- 如果让你从零搭建一套根因诊断引擎，你会如何设计数据采集、特征工程与推理调度模块？
- 在资源受限的生产环境中，如何优化Agent的推理延迟与Token消耗？
职位点评
薪资福利70
成长发展92
工作生活60
使命价值75
薪资福利
70中等
JD未明确披露薪资与福利细节，但作为头部科技企业核心研发岗，整体薪酬包具备较强市场竞争力，稳定性与基础保障预期良好。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
92较高
岗位深度绑定LLM Agent与AIOps前沿方向，技术栈处于行业爆发期，且要求独立负责复杂系统落地，技能成长与职业跃迁空间极大。
技术前沿前沿/新兴技术
技术栈LLM、Agent、Tool-Using、时序异常检测、根因分析、Context Engineering、Memory、Planning
业务类型profit_center
工作生活
60中等
JD未提及办公模式与工时安排，核心业务线研发通常节奏较快，WLB表现取决于具体团队管理风格，需入职后进一步确认。
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
75中等
聚焦广告业务智能化升级，技术成果可直接转化为商业效能，虽社会公益属性不强，但在产业数字化与AI落地层面具有明确价值导向。
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