腾讯
Agent Harness 工程师
Agent Harness 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人工智能
人工智能
Agent Framework
Go
Langgraph
Llm
Opentelemetry
分布式系统
可观测性
评测体系
值不值得投
75综合评分
综合评分 75
前沿AI Agent平台岗，技术成长天花板高，WLB不确定，适合技术极客。
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
3.8万
比人工智能中位数高
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 2010 个在招 · 其中人工智能 13 个
市场机会
选择面较广
上海 · 人工智能 · 约 240 个在招
职位详情
关于这个职位
作为腾讯的Agent Harness工程师，你将负责构建和优化AI Agent的底层执行框架与支撑平台
工作内容包括Agent运行时架构设计、可观测性系统搭建、自动化评测体系开发以及调试工具链建设，旨在为业务提供稳定、可扩展的Agent执行底座，并推动研究成果的工程化落地
最低要求
计算机及相关专业本科及以上学历
精通 Python，熟悉 TypeScript / Go 之一，具备扎实的工程实现能力与系统设计功底，能独立完成从架构设计到上线运维的全链路交付
重度使用 Cursor / Claude Code / Codex 等 agentic coding 工具进行日常编程，对 Agent 的能力边界、典型 failure mode（上下文丢失、工具误用、多轮偏移、幻觉式收敛）有切身的体感和自己的方法论
熟悉 AI / Agent 技术栈，理解 LLM 推理服务与采样参数、主流 Agent Framework（LangGraph / AutoGen / MCP 等）、Tool Calling 与 Function Schema 设计、Prompt 与 Context Engineering、RAG 与记忆机制
具备可观测性或评测基础设施建设经验，熟悉 OpenTelemetry / Trace 存储与查询、指标体系与看板设计、离线数据处理链路
熟悉分布式系统、高并发服务与异步编程，有大规模任务调度经验者优先
代码质量要求严格 —— 代码是给未来的 AI 与人共同维护的，可读性、模块边界、可测试性与文档缺一不可
有开源项目贡献、或主导过复杂系统重构者优先
有垂域 Agent 落地经验（Code Agent、Kernel/性能优化 Agent、数据分析 Agent 等）、或参与过 RL/SFT 数据闭环建设者显著加分
具备极客精神，喜欢折腾新技术并享受生产力突破带来的快感
对 Code Agent 与人机协同的未来有深刻思考，希望投身这场生产力变革之中，具备良好的跨团队协作能力与主动推动事情落地的驱动力
工作职责
Agent Harness 核心框架研发：负责 Agent 运行时的架构设计与实现，包括 agent loop 调度、Tool/Skill 抽象与注册机制、Context 组装与压缩策略、长任务的状态持久化与 checkpoint 恢复、Sub-Agent 并发编排、以及沙箱隔离与权限控制体系，为上层业务提供稳定、可扩展、可复用的 Agent 执行底座
全链路 Tracing 与 Observability：设计并实现 Agent 执行全链路的可观测系统，对 LLM 调用、工具调用、重试与降级、Token 与成本消耗、上下文膨胀等关键环节做 Span 级建模与结构化埋点
建设延迟/成本/成功率归因分析能力，沉淀 failure mode 分类体系与异常告警机制，让 Agent 的"黑盒行为"可解释、可回溯
Agent 质量评估体系：构建自动化 eval pipeline，覆盖离线 Benchmark、在线 A/B Testing、SBS 人工评测与 regression detection
设计任务级评测指标与 rubric（含 LLM-as-Judge、pass@k、轨迹级评分），建设评测集管理与 CI 门禁，使每次 Prompt、模型、工具变更都有量化的收益与回归判定
Agent Debugging 工具链：开发面向研发的调试工具，支持 Trace 回放与单步执行、上下文与 Prompt 的 Diff 对比、工具调用链可视化、失败样本最小复现集自动提取
打通从线上异常 Trace 到本地可复现调试的闭环，显著缩短 Agent 问题定位周期
支撑平台建设与工程化落地：参与标注平台、数据管道、任务集与轨迹数据仓库等核心支撑平台的架构设计与开发，为模型训练与 Agent 迭代提供高质量数据闭环
与 AI 研究团队零距离协作，第一时间承接最新模型能力，将大模型与 Agent 协同进化的研究成果工程化落地，并持续探索 AI Agent 在日常研发工作流中的深度实践
AI 洞察
优缺点分析
优点
- 直接参与当前最前沿的AI Agent平台建设，技术栈新颖，成长空间大
- 公司平台资源丰富，有机会与顶尖的AI研究和业务团队紧密协作
- 岗位要求全面且深入，需要同时具备平台工程、AI技术栈和基础设施建设经验，学习曲线较陡
- Agent领域技术发展迅速，需要持续跟进最新技术动态并应用于实践，工作节奏可能较快
- 作为平台支撑岗位，需要推动多个团队采纳你的设计，对跨团队协作与影响力有一定要求
- 适合具备扎实系统功底、对AI Agent技术充满热情、喜欢解决复杂工程问题并乐于构建平台工具的技术型工程师
缺点 / 挑战
- 岗位职责清晰且有挑战性，覆盖框架设计、可观测性、评测、工具链全栈，能快速积累系统级经验
角色解读
- 技术专家路线：深耕AI Agent基础设施，成为平台架构师或技术专家
- AI应用架构师：更关注Agent与业务场景的结合，负责端到端AI解决方案的设计与落地
- 技术管理者：带领团队负责Agent平台或特定业务线的技术规划与交付
- 设计并实现AI Agent的运行时核心框架，解决调度、状态管理、并发编排等底层问题
- 构建覆盖全链路的可观测性与评测体系，让AI Agent的行为变得可度量、可解释
- 开发面向内部研发的调试与支撑工具链，提升Agent系统的开发与迭代效率
- 扎实的系统设计与工程能力，精通Python及至少一门编译型语言（Go/TypeScript）
- 深度理解和实践经验，包括LLM、主流Agent框架（如LangGraph）、RAG、Prompt工程
- 具备构建复杂基础设施的经验，如分布式系统、可观测性系统、大规模数据管道与评测平台
申请策略
- 在简历或求职信中，明确表达你对构建AI Agent底层基础设施的兴趣和思考，与岗位描述共鸣
- 提前研究腾讯在AI Agent或相关领域的公开技术文章或开源项目，了解其技术方向
- 突出你在Python及系统设计方面的深度，展示独立完成复杂系统设计与开发的项目经验
- 重点描述与LLM、Agent、Prompt工程相关的实践项目，即使是个人项目或研究
- 强调你在构建可观测性系统、评测平台或内部工具链方面的经历，体现你的基础设施思维
- 展示你对Agent技术（如失败模式、工具调用）的深刻理解，可通过技术博客、开源贡献来证明
- 系统学习并实践1-2个主流Agent Framework（如LangGraph），亲手构建一个完整的Agent应用
- 深入研究分布式追踪（OpenTelemetry）和监控系统的设计原理，并尝试搭建一个小型Demo
面试指南
- 使用STAR法则（情境、任务、行动、结果）来组织回答，重点突出你的技术决策和贡献
- 对于框架类问题，采用“现有方案分析 → 发现问题 → 提出改进思路”的结构来展示你的思考深度
- 对于系统设计类问题，先厘清核心需求和指标，再给出分层的方案，并说明各组件的选型理由
- 请描述一个你设计的复杂系统，重点说明你如何解决其中的核心技术挑战（如状态管理、并发、可观测性）
- 你认为当前主流Agent框架（如LangGraph、AutoGen）存在哪些主要的局限性？如果是你，会如何改进执行框架的设计？
- 如何为一个复杂的AI Agent系统设计一套有效的评测体系？你考虑过哪些指标和评测方法？
- 请描述一个你解决过的、涉及线上线下闭环的复杂技术问题的案例
- 系统梳理你过往项目中涉及架构设计、性能优化、可观测性建设的具体案例，准备详细的技术细节
职位点评
薪资福利75
成长发展95
工作生活45
使命价值80
薪资福利
75中等
作为知名公司的核心技术岗位，薪资与福利体系应具有市场竞争力，能提供较好的物质保障。
薪资信号市场水准 (2.5千–5万/月)
成长发展
95较高
岗位处于AI Agent技术前沿，职责覆盖从底层框架到工具链的全栈平台建设，技术成长空间和深度都非常大。
技术前沿前沿/新兴技术
技术栈Agent、LLM、LangGraph、OpenTelemetry、Python、TypeScript、Go
业务类型ambiguous
工作生活
45较低
JD未明确提及办公模式与工作强度，无法判断WLB情况，但前沿技术岗位通常节奏较快。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
投身于AI Agent这一生产力变革的前沿领域，参与构建下一代应用的基础设施，有较强的行业使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号投身这场生产力变革之中
创新程度积极采用新技术
Watch Jobs