腾讯
AI记忆系统研发专家/工程师（上海/深圳）
AI记忆系统研发专家/工程师（上海/深圳）
发布于 1 天前普通员工/个人贡献者
上海市 / 深圳市
初级经验
全职员工
仅现场办公
不限
机器学习工程
Agent框架
Autogen
Faiss
Go
Llamaindex
Memgpt
Qdrant
AI 估算 · 25k–45k
腾讯AI研发岗，前沿技术方向，薪资竞争力强，参考大厂水平。
职位详情
关于这个职位
作为腾讯AI记忆系统研发工程师，你将负责设计和实现Agent记忆系统，涵盖多模态记忆的存储、检索与生命周期管理
你将使用Python/Go等语言，结合LangChain、向量数据库等前沿技术，构建高效记忆Pipeline
适合对LLM Agent和人工智能前沿技术有强烈兴趣的开发者
最低要求
本科及以上学历，计算机相关专业，1年以上工作经验，精通Python/Go/C++等至少一门语言
有Agent memory系统的实际开发经验，理解记忆系统的架构设计、存储策略和检索优化
熟悉 LLM agent 框架生态（如 LangChain、LlamaIndex、Letta/MemGPT、AutoGen 等），理解 agent 如何与记忆模块交互
对认知科学中的记忆模型有基本了解（episodic/semantic/procedural memory），能够将这些概念工程化落地
有向量数据库/索引库的实践经验（如Milvus、Qdrant、Faiss等），熟悉向量模型的选型和优化
具备良好的系统设计能力，较强的问题解决与团队协作能力
具备强烈的技术好奇心和自驱力，渴望在技术深度与广度上持续突破
工作职责
设计研发Agent记忆系统，涵盖多种记忆类型（如core memory、episodic memory、semantic memory、procedural memory等等），理解不同记忆类型的适用场景和交互方式
构建记忆的写入、整合与检索 pipeline：从原始对话或多模态输入中提取关键信息，进行去重、合并、冲突消解，并以高效方式存储和索引
实现记忆的生命周期管理机制，包括记忆衰减、过期淘汰、重要性排序，以及基于使用频率或时间的动态权重调整
搭建混合检索系统，结合向量和文本检索，支持对话上下文感知的记忆召回
设计多智能体协作架构，让不同的memory agent各司其职（如用户画像agent、事件记录agent、知识图谱agent），通过 meta-agent 进行统一调度
支持多模态记忆输入，处理文本、图像、公式等类型信息，并统一编码进记忆系统
构建记忆系统的评估体系 —— 如何衡量记忆的准确性、召回率、时效性以及对下游任务的提升效果
AI 洞察
优缺点分析
优点
- 技术前沿，Agent记忆系统是LLM落地的重要方向，成长空间大
- 薪资待遇好，大厂福利完善（但JD未具体说明）
- 技术难度高，涉及认知科学、多模态、分布式系统等交叉领域
- 工作强度可能较大，互联网公司节奏快，需持续学习
- 系统尚在早期，需要较强自驱力和问题解决能力
缺点 / 挑战
- 腾讯平台资源丰富，数据和应用场景多，技术挑战高
- 适合对AI Agent和记忆机制有强烈好奇，喜欢挑战高难度技术问题的工程师
角色解读
- 从记忆系统工程师成长为AI Agent领域专家，深入前沿技术
- 可向技术架构师或团队Leader方向发展，负责更复杂的系统设计
- 在腾讯内部可跨团队流动，接触更多大模型应用场景
- 设计并实现Agent记忆系统的核心架构，覆盖多种记忆类型
- 构建记忆写入、整合与检索的完整Pipeline，处理多模态输入
- 开发混合检索系统，结合向量与文本检索实现上下文感知召回
- 搭建多智能体协作框架，调度不同记忆Agent（如用户画像、事件记录等）
- 精通Python/Go/C++至少一种，具备扎实的系统设计能力
- 熟悉LangChain、LlamaIndex等Agent框架，理解记忆交互机制
- 掌握向量数据库（Milvus、Qdrant等）的选型与优化
- 了解认知科学记忆模型，并能将其工程化落地
申请策略
- 了解腾讯AI Lab或相关团队的技术方向，在面试中展示契合度
- 准备好系统设计题，如设计一个高并发记忆存储系统
- 突出Agent memory相关项目经验，如记忆系统设计、检索优化
- 展示LLM框架使用经验（LangChain/LlamaIndex等），并附具体案例
- 强调向量数据库实践和系统设计能力，量化性能提升数据
- 如有认知科学交叉背景或论文，可额外加分
- 熟悉主流Agent框架源码，理解记忆模块内部实现
- 学习向量数据库原理，掌握索引优化和混合检索方法
面试指南
- 先明确需求与场景，再拆解模块设计，强调关键权衡
- 结合具体项目经历，用STAR法则说明问题、行动和结果
- 展示对前沿技术的理解，并联系实际工程落地
- 请描述你如何设计一个agent记忆系统的架构？
- 如何解决记忆冲突和去重问题？
- 比较向量检索和文本检索在记忆召回中的优劣，如何混合？
- 谈谈你对episodic memory和semantic memory的理解，及工程实现思路？
- 如何评估记忆系统对下游任务的效果？
职位点评
76
综合评分
腾讯AI前沿岗位，技术含量高，薪资优厚，但节奏快、WLB一般。
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。
更适合这类人
最适合重视技术成长和前沿挑战的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展88
工作生活55
使命价值75
薪资福利
80较高
腾讯为大型上市公司，薪酬和福利在行业内具有竞争力，但JD未明确具体薪资数字。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
88较高
职位聚焦AI Agent记忆系统，属于前沿技术方向，技术挑战大，能深度提升研发能力。
技术前沿前沿/新兴技术
技术栈Python、Go、LangChain、LlamaIndex、MemGPT、AutoGen、Milvus、Qdrant、Faiss、LLM、Agent、向量检索
业务类型ambiguous
工作生活
55较低
工作地点在上海/深圳，需现场办公，未提及弹性时间或远程，互联网强度可能较大。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
AI Agent是高速增长赛道，做记忆系统有技术价值，但社会直接影响中性。
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
腾讯 的其他在招职位
相似职位推荐
Watch Jobs