Agent 平台工程专家（Auto-research Harness 方向）

优缺点分析

角色解读

• 可向大模型基础设施架构师方向发展，深入探索Auto-research前沿技术
• 随着AI Agent在科研与业务场景的普及，可成长为该领域的顶尖技术专家
• 负责Auto-research工程基建建设，设计Agent Harness框架、沙箱化集群及工具协议层
• 保障长程Agent任务的稳定性与可恢复性，处理状态持久化、失败重试与任务编排
• 建设评测体系与知识库，推动算法科研场景下Agent应用的规模化落地
• 精通大模型应用开发，熟悉Function Calling、Agent框架及记忆系统，有生产级落地经验
• 熟悉容器与沙箱技术、任务调度机制以及权限与审计体系
• 具备后端/平台工程开发能力，有算法自动化迭代的工程实践经验

申请策略

• 了解核心本地商业的业务背景及数字化、智能化升级的战略方向
• 关注Auto-research及AI Agent在科研场景的最新应用案例
• 突出在生产级Agent系统落地方面的具体经验，如Function Calling、记忆系统的设计与实现
• 详细展示在容器/沙箱、任务调度及权限审计体系方面的项目经历
• 强调算法自动化迭代或Auto-research相关的工程实践经验
• 深入学习主流Agent框架及大模型应用开发最佳实践
• 提升在分布式系统、任务编排与状态持久化方面的架构设计能力

面试指南

• 采用STAR法则（情境、任务、行动、结果）来结构化描述项目经验，突出个人贡献与业务价值
• 在回答架构设计问题时，从需求分析、技术选型、核心模块设计、容灾与监控等维度全面展开
• 请分享一个你主导或深度参与的生产级Agent系统落地项目，遇到了哪些技术挑战？
• 在设计长程Agent任务时，如何保障其稳定性与可恢复性？请详细说明状态持久化和失败重试的方案
• 针对沙箱化集群和任务调度，你有哪些实际经验？如何设计权限与审计体系？
• 在算法自动化迭代方面，你做过哪些工程化建设？
• 复习大模型应用开发的核心概念，特别是Function Calling和Agent记忆机制的底层原理
• 准备关于分布式任务调度、容器化技术及系统高可用设计的深度技术细节