Agent 开发工程师

优缺点分析

角色解读

• 可在 Agent 架构、评测归因、知识库与工具体系方向持续深入，成长为 LLM 应用/AI 工程方向的技术骨干
• 通过参与商业化项目与端到端闭环，可向技术负责人、架构师或 AI 产品工程复合型角色发展
• 在 AI Native 组织中获得流程重构与平台化建设经验，为后续跨团队技术管理打基础
• 负责 Agent 核心模块开发，包括多 Agent 系统编排、工具与平台服务接口、记忆与知识库等能力建设
• 深入画像与圈选、用户分析等业务域，将领域知识沉淀为业务专家智能体，并转化为 Agent 的规划、决策与校验能力
• 参与 AI 资产、业务语义层、评测与归因体系建设，持续迭代 Agent 效果并参与商业化项目
• 建设 Agent 安全治理与推理链路性能成本优化能力，推动模块从设计、demo 到上线全流程落地
• 扎实的后端工程能力：熟悉 Python/Java/Go 至少一门，具备高并发、高可用分布式服务开发与治理经验
• LLM 与 Agent 工程实践：理解 MCP、ReAct/Plan-and-Execute 等范式，具备上下文工程、记忆与知识库、工具体系、观测和评测经验
• 业务抽象与跨团队协作：能把画像圈选、用户分析等领域知识转化为 Agent 能力，并推动跨部门落地
• 安全治理与性能成本意识：关注数据权限、输出护栏、操作审计，以及推理链路性能与成本优化

申请策略

• 提前了解美团“零售+科技”战略及基础研发平台的定位，思考 Agent 如何服务画像、圈选与用户分析等业务
• 在沟通中主动确认团队当前 Agent 商业化阶段、技术栈和考核重点，以便匹配简历与面试表达
• 突出后端工程能力：展示 Python/Java/Go 项目中的高并发、高可用分布式服务设计与治理经验
• 强化 LLM/Agent 项目：重点写多 Agent 编排、工具调用、记忆与知识库、评测归因、上下文工程等实践
• 体现业务落地：用具体案例说明如何将领域知识转化为 Agent 能力，并推动从设计到上线闭环
• 补充安全与性能优化：如有权限管控、输出护栏、审计、推理性能或成本优化经验，应量化呈现
• 系统梳理 MCP、ReAct、Plan-and-Execute 等 Agent 范式，并准备可讲解的项目案例
• 补强 LLM 应用工程中的评测体系、观测、记忆与知识库、工具治理等模块化能力

面试指南

• 用 STAR 结构讲项目：先交代业务背景与目标，再说明你的架构设计、关键取舍和上线结果
• 技术题先给结论再展开：明确范式差异、适用场景和风险，再结合项目案例说明如何落地
• 系统设计题按“目标—架构—关键模块—安全/性能—评测迭代”分层回答，体现端到端闭环思维
• 请介绍一个你主导的 LLM/Agent 项目，说明多 Agent 编排、工具调用和记忆/知识库是如何设计的
• 你如何理解 ReAct 与 Plan-and-Execute 的差异？在实际业务中会如何选型？
• 如何设计 Agent 的评测与归因体系，持续判断效果提升来自哪里？
• 如果要在高并发场景下优化推理链路的性能与成本，你会从哪些层面入手？
• 如何做 Agent 的数据权限管控、输出护栏与操作审计，兼顾安全合规和可用性？