阿里云智能-Agent 平台数据智能研发高级工程师-杭州

优缺点分析

角色解读

• 在阿里云智能集团内部，可向技术专家（P序列）或技术管理（M序列）双通道发展
• 随着Agent技术在企业级应用的普及，可成长为Agent平台架构师或AI Infra领域的资深专家
• 可横向拓展至AI平台产品化、解决方案架构等方向，或深入Agent Memory、上下文工程等前沿细分领域
• 构建企业级AI Agent的数据闭环，包括会话、轨迹、工具调用、反馈等数据的采集与分析，支撑效果评估与资产沉淀
• 设计并实现Agent Memory体系，涵盖短期会话记忆、长期用户记忆、企业知识记忆等，解决复杂业务场景下的连续交互和个性化问题
• 负责记忆系统的工程化建设，包括写入、检索、压缩、衰减、权限隔离等，并建设上下文工程能力（Prompt、RAG、MCP等）
• 建设Agent效果评估与自进化机制，包括评测集、自动评估、A/B实验、LLM-as-Judge等，持续优化Agent效果与成本
• 扎实的工程基础与系统设计能力，熟练掌握Python和SQL，熟悉Java或Go更佳
• 深入理解AI Agent或LLM应用开发，熟悉LangChain、Dify、AgentScope等主流框架，有RAG、Tool Calling、MCP实际项目经验
• 熟悉Agent Memory架构，理解短期/长期记忆、工作记忆等概念，有记忆检索、压缩、冲突消解等落地经验
• 具备数据分析能力，熟悉意图识别、向量检索、Badcase挖掘、调用链分析等语义化数据分析方法

申请策略

• 了解阿里云AI Agent平台（如百炼、Model Studio）的业务方向，在面试中展现对业务的理解
• 准备1-2个深度项目案例，展示从问题定义、方案设计到落地优化的完整过程
• 突出Agent、LLM应用或数据平台相关项目经验，特别是涉及RAG、Tool Calling、MCP等技术的实际落地案例
• 强调在记忆系统、上下文工程或Agent评估方面的具体实践，如记忆压缩、冲突消解、评测集构建等
• 展示数据分析能力，如Badcase挖掘、失败归因、指标设计等，并量化项目成果（如效果提升、成本降低）
• 系统学习Agent Memory相关开源项目（如Mem0、MemGPT、Zep）的架构与实现
• 深入理解上下文工程，包括Prompt优化、RAG检索策略、MCP工具调用等
• 补充Agent评估体系知识，如LLM-as-Judge、Trajectory Replay、A/B实验设计

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，突出个人贡献和量化结果
• 对于系统设计问题，从需求分析、架构选型、模块设计、关键难点和解决方案等维度展开
• 对于评估和优化问题，先明确目标，再设计指标体系，最后结合数据分析和实验验证
• 请详细描述你过去负责的一个Agent Memory或上下文工程项目的架构设计和落地过程
• 如何设计一个支持多租户、权限隔离的长期记忆系统？
• 如何评估一个Agent的记忆质量和效果？你会设计哪些指标？
• 在构建Agent数据闭环时，如何处理数据隐私和权限问题？
• 谈谈你对Agent自进化机制的理解，以及如何实现效果优化与成本控制的平衡