京东
Agent软件工程师
Agent软件工程师
发布于 1 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
软件工程
RAG
大模型
医疗
LlamaIndex
websocket
SSE
AI 估算 · 25k–45k
资深AI工程师在一线大厂薪资较高，且涉及前沿技术，市场竞争力强。
职位详情
关于这个职位
作为京东健康的Agent软件工程师，你将负责设计和实现医疗场景下的智能体系统，利用LangChain等框架构建复杂对话链路，优化流式交互体验，并解决大模型在医疗长文本中的幻觉与记忆问题
这是一个技术挑战大、业务价值高的岗位，适合对AI Agent工程化有热情的人才
最低要求
计算机相关专业本科及以上学历，3年以上后端或AI应用开发经验，扎实的Java、Python编程能力，熟悉异步编程（Asyncio），具备良好的代码规范意识
深入理解 LangChain 或 Semantic Kernel 的核心组件（Agent Executors, Tools, Memory, Callbacks），有实际生产项目落地经验
熟悉 SSE 协议，有高并发流式接口的调优经验，了解如何处理中断、重连及流式token的安全过滤
Context Engineering：熟悉RAG各环节（Chunking, Embedding, 重排），有处理长上下文（Long Context）压缩、记忆管理（短期/长期记忆）的实际经验
Harness Engineering：理解AI应用的测试方法论，有构建Agent评测集、制定评估指标（如精确率、召回率、工具调用准确率）的经验
有医疗信息化（HIS/EMR）或互联网医疗行业经验者优先，具备医学知识图谱构建或医疗NLP经验者优先
工作职责
负责健康医疗场景下智能体（Agent）的架构设计与实现，熟练运用 LangChain 或 LlamaIndex 等框架，进行复杂链路的编排、工具调用（Function Calling/Tool Use）及状态管理
基于 SSE、WebSocket、MCP等技术，优化医疗对话式交互体验，解决大模型流式输出的稳定性与并发问题，确保健康咨询的实时性体验
承担 Context Engineer 职责，优化上下文管理机制，设计RAG（检索增强生成）策略，解决医疗长文本、多轮对话中的信息遗忘与幻觉问题，提升上下文利用效率
负责AI Agent的评测体系建设，设计自动化测试用例，对Agent的调用成功率、工具选择准确率、输出安全性进行量化评估与压测
对接主流大模型（GPT系列、DeepSeek、Kimi、Qwen等），针对医疗术语的准确性进行Prompt Engineering及微调数据准备
优先资格
有医疗信息化（HIS/EMR）或互联网医疗行业经验者优先，具备医学知识图谱构建或医疗NLP经验者优先
AI 洞察
优缺点分析
优点
- 前沿技术栈（Agent、RAG、大模型），利于个人技术品牌积累
- 京东健康平台，数据量和业务场景丰富，项目影响力大
- 大厂福利完善，职业发展通道清晰
- 医疗领域对准确性和安全性要求极高，技术容错率低
- 需要同时掌握后端、AI、工程化等多方面技能，学习曲线陡峭
- 大厂内部流程可能较复杂，跨部门协作频繁
- 适合对AI Agent工程化有浓厚兴趣、具备较强后端与AI交叉能力、希望在医疗科技领域深耕的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术纵深发展：成为AI Agent架构专家，主导下一代智能体平台设计
- 跨领域拓展：结合医疗知识，转向医疗AI产品经理或解决方案架构师
- 管理路线：带领Agent工程团队，晋升为技术经理或总监
- 设计和实现医疗领域的AI Agent系统，使用LangChain等框架编排复杂对话流程
- 优化大模型流式输出，处理高并发和实时交互，确保医疗咨询的稳定性
- 构建RAG pipeline，解决长文本记忆和幻觉问题，提升对话质量
- 搭建Agent评测体系，量化评估工具调用和输出安全性
- 精通Python/Java，熟悉异步编程，有大型AI系统开发经验
- 深入掌握LangChain或Semantic Kernel，理解Agent、Tools、Memory等核心组件
- 熟悉SSE/WebSocket协议，具备高并发流式接口优化能力
- 掌握RAG全流程（Chunking、Embedding、重排），了解上下文压缩与记忆管理
申请策略
- 京东注重价值观匹配，简历和面试中可体现对技术和业务的热情
- 关注京东健康业务动态，在面试中展示你对医疗AI场景的思考
- 重点突出LangChain或类似框架的生产项目经验，描述你在Agent工具调用、Memory管理方面的具体贡献
- 强调RAG相关项目，包括Chunking策略、Embedding模型选择、重排效果等量化成果
- 展示高并发流式接口优化案例，如QPS提升、延迟降低等数据
- 如有医疗背景或医疗NLP项目，务必突出
- 系统学习LangChain的Agent Executor和Tool使用，动手搭建一个简单的Agent demo
- 深入理解RAG技术，尝试使用不同Embedding模型和检索策略进行对比实验
面试指南
- STAR法则：描述项目背景、任务、具体行动和量化结果，突出技术选型和优化过程
- 分点阐述：先讲技术方案，再讲对比和权衡，最后总结最佳实践
- 结合业务：将技术方案与医疗场景的特殊性（如准确性、隐私）联系起来
- 请描述一个你使用LangChain构建Agent的实际项目，遇到了哪些挑战？
- 如何设计一个RAG系统来处理医疗长文本？你会如何评估检索质量？
- 在高并发流式场景下，如何保证大模型输出的稳定性和安全性？
- 如何量化评估Agent的性能？你会选择哪些指标？
- 你对医疗AI中的幻觉问题有什么见解？如何缓解？
职位点评
70
综合评分
前沿技术栈、大厂平台、医疗AI领域，发展空间大但工作强度可能较高。
更适合这类人
适合追求技术成长、对AI Agent和医疗科技有热情，且能接受较强工作节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活50
使命价值80
薪资福利
60中等
大厂薪资和福利通常有竞争力，但JD未明确具体薪资和福利，需面议。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
职位涉及Agent、RAG、大模型等前沿技术，有大量实践和成长机会，但JD未提及晋升路径。
技术前沿前沿/新兴技术
技术栈LangChain、LlamaIndex、RAG、Agent、SSE、WebSocket、大模型
业务类型ambiguous
工作生活
50较低
仅现场办公，未提及弹性工作或WLB信息，大厂强度可能较高。
工作模式仅现场办公
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
80较高
医疗健康领域社会价值高，但JD未强调使命愿景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs