AI Agent算法工程师

优缺点分析

角色解读

• 从Agent算法工程师起步，可向高级算法工程师、技术专家方向发展，深入大模型与智能体前沿技术
• 有机会成长为AI Agent方向的团队负责人或技术Leader，带领团队推动智能体在业务场景的落地
• 可横向拓展至大模型训练、AI平台架构等方向，或转向AI产品与技术管理岗位
• 负责AI Agent智能体系统的研发，包括数据构建、模型训练（Pretrain/SFT/Post-training）及Agent能力优化
• 基于LangGraph、LangChain、AutoGen等框架，构建具备规划、推理、工具调用、记忆及多Agent协作能力的智能体系统
• 基于MCP协议构建工具生态，开发接入各类Tools/Skills，打通代码、知识库、办公、研发等业务系统
• 优化Agent推理策略（如ReAct、Plan-Act）、RAG检索增强及复杂任务执行能力，提升系统效果和稳定性
• 扎实的机器学习与深度学习基础，熟悉大模型训练与推理流程，掌握PyTorch、Transformers等工具
• 熟悉主流Agent框架（LangGraph、LangChain、AutoGen等），理解MCP协议、Tool Calling、Memory等核心机制
• 具备SFT、LoRA、DPO/RLHF等模型训练经验，熟悉vLLM/TGI等高效推理与服务化技术
• 熟悉RAG、Function Calling、代码生成等Agent核心技术，具备复杂任务规划与性能优化能力

申请策略

• 关注小米在AI Agent领域的业务布局和产品方向，在面试中展示对业务场景的理解
• 准备一个完整的Agent项目案例，展示从需求分析、系统设计到实现优化的全过程
• 突出AI Agent或大模型相关项目经验，特别是使用LangGraph、LangChain等框架的实际项目
• 强调模型训练经验，如SFT、LoRA、DPO/RLHF等，并展示具体的训练效果和优化成果
• 展示RAG、Function Calling、代码生成等Agent核心技术的应用案例，体现复杂任务规划能力
• 如有开源项目或论文成果，务必在简历中突出，这是重要的加分项
• 深入学习LangGraph、LangChain等主流Agent框架，理解其核心机制和最佳实践
• 补充MCP协议、Tool Calling、Memory等Agent核心概念，并动手实践构建简单的Agent系统

面试指南

• 采用STAR法则（情境、任务、行动、结果）回答项目经验问题，突出技术难点和解决方案
• 对于技术原理问题，先阐述核心概念，再结合项目实践说明应用场景和效果
• 对于优化类问题，从问题分析、方案设计、实验验证、效果评估等维度系统回答
• 请介绍一个你使用LangGraph或LangChain构建Agent系统的项目，包括架构设计和遇到的问题
• 如何设计一个支持工具调用的Agent系统？请谈谈你对MCP协议的理解
• 在模型训练中，你如何选择SFT、LoRA或DPO等方法？请结合你的项目经验说明
• 如何优化RAG系统的检索效果和响应速度？请谈谈你的思路
• 如何评估和提升Agent在复杂任务中的稳定性和效率？