小红书
AI Agent 工程师（社区新交互探索）
AI Agent 工程师（社区新交互探索）
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai Agent
Go
Llm
Rag
Workflow
多模态
架构设计
知识库工程
值不值得投
80综合评分
综合评分 80
前沿 AI Agent 探索岗、技术成长空间极大、薪资竞争力强，但工作节奏与 WLB 未明确。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
4.0万
比人工智能中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 2150 个在招 · 其中人工智能 59 个
市场机会
选择面较广
上海 · 人工智能 · 约 360 个在招
职位详情
关于这个职位
该职位负责小红书社区新交互场景下的 AI Agent 端到端探索与落地，从0到1构建 Agent 核心链路、Runtime 及评测体系，将大模型能力转化为稳定可演进的产品能力
最低要求
本科及以上（计算机/软件工程/AI 相关优先），3 年以上后端/平台/AI 工程经验，或有成熟的 agent/LLM 应用落地经验
熟练掌握至少一门主力语言（Python / Go / Java 等），具备大型项目工程经验
扎实的软件工程能力：架构设计、可靠性、可观测、性能与成本优化、可维护性
有“从 0 到可验证”的完整交付经验：能把探索做成可运行系统，并用评测/数据输出结论
良好的跨团队协作与表达能力：能清晰描述权衡、边界与风险
工作职责
构建可运行的 Agent 核心链路：围绕社区新交互场景，设计并实现 Agent 的核心能力，把“看起来可行的想法”落成可以跑、可以测、可以复盘的系统
端到端负责从想法到验证的完整闭环：从 0 到 1 推动一条探索链路，对“这个方向是否成立”给出工程化判断
设计并实现 Agent Runtime：为智能体在线运行提供稳定的系统支撑，把模型能力变成真正稳定、可维护、可演进的系统能力
设计并实现 Agent Harness：让 Agent 可测试、可评估、可回放、可比较，将探索沉淀成可重复验证、可持续优化的实验能力，而不是一次性 demo
与多角色协作，把模型能力做成产品能力：把需求变成可执行的 agent spec，把模型能力变成稳定的系统能力
推动 agent 技术路线图与关键架构决策：包括工具协议、记忆方案、评测口径、发布与灰度机制
优先资格
做过 Agent/Workflow 系统：多工具编排、函数调用/插件体系、任务队列与调度、长期任务与状态恢复
做过 RAG/知识库工程：索引、召回、重排、缓存、增量更新、评测与可观测
熟悉多模态 Agent（图像/语音/视频）或在内容/搜索/推荐场景做过 agent 化探索
有论文/专利/开源/行业分享等公开影响力（Agent/LLM Systems/Infra 相关）
AI 洞察
优缺点分析
优点
- 处于 AI Agent 落地最前沿，能深度参与大模型从技术到产品的核心转化过程，技术壁垒高
- 业务场景真实且丰富（社区新交互），技术探索成果能直接产生业务价值，避免纯研究脱节
- 团队重视工程化与系统沉淀（Runtime/Harness），有助于积累扎实的系统架构与评测能力
- 要求端到端闭环，对个人的全栈工程能力、业务理解力和跨部门推动力要求极高
- 适合具备扎实后端工程基础、对大模型应用有浓厚兴趣，且喜欢从0到1探索未知领域的复合型技术人才
缺点 / 挑战
- 探索性工作面临较高的不确定性，需要承受“想法可能不成立”的试错压力与快速迭代节奏
角色解读
- 纵向可发展为 AI 基础架构专家或 Agent 技术负责人，主导底层系统演进
- 横向可向 AI 产品技术融合方向（AI Product Engineer）或大模型应用业务线负责人发展
- 负责社区新交互场景下 AI Agent 的端到端原型开发与业务验证，将想法转化为可运行的系统
- 设计并实现 Agent Runtime 与 Harness，保障智能体运行的稳定性、可测试性与可评估性
- 推动 Agent 技术路线图，制定工具协议、记忆方案、评测口径等关键架构决策
- 扎实的后端工程能力与架构设计经验，精通 Python/Go/Java 等主力语言，具备大型项目经验
- 具备 Agent/LLM 应用落地经验，熟悉 Workflow 编排、RAG 知识库及多模态技术
- 优秀的跨团队协作与工程化判断能力，能独立完成从0到1的闭环交付与数据验证
申请策略
- 提前体验小红书社区产品，思考 AI Agent 在社区互动、内容消费等场景的潜在切入点与创新玩法
- 准备一些关于 Agent 失败案例或边界情况的复盘思考，展现成熟的工程化判断力与权衡思维
- 突出 Agent/LLM 系统的实际落地项目，强调从0到1的完整交付经验与业务验证结果
- 详细展示在 Workflow 编排、RAG 知识库或 Agent Runtime 设计中的具体技术贡献与性能优化成果
- 体现跨团队协作推动技术落地的能力，以及将模型能力转化为产品能力的系统性思考
- 深入学习主流 Agent 框架及底层原理，补充多工具编排、状态恢复与长任务调度机制的知识
- 强化系统可观测性与评测体系（Harness）的设计能力，掌握大模型应用的自动化评估方法
面试指南
- STAR 法则：针对项目经验，清晰阐述背景、任务、行动（突出技术选型与架构设计）和结果（量化业务收益或系统指标）
- 权衡思维：在回答架构设计或技术选型时，主动分析不同方案的优缺点、边界条件及适用场景，展现工程成熟度
- 闭环思维：强调“假设-验证-复盘-迭代”的过程，突出不仅关注代码实现，更关注业务结论和系统沉淀
- 请分享一个你从0到1落地的 Agent/LLM 项目，遇到了哪些工程挑战，如何解决的？
- 在设计 Agent Runtime 时，如何保证系统的稳定性、可观测性以及成本控制？
- 如何设计 Agent 的评测体系（Harness）？如何判断一个 Agent 探索方向是否成立？
- 在多工具编排或长任务调度中，如何处理状态恢复和异常重试？
- 当模型能力无法满足业务需求时，你会从工程角度做哪些权衡和补偿？
职位点评
薪资福利85
成长发展95
工作生活50
使命价值80
薪资福利
85较高
职位属于前沿 AI 技术岗，且要求3年以上经验，一线城市薪资具备较强竞争力，但 JD 未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：3.0千–5.0万/月）
成长发展
95较高
岗位处于 AI Agent 探索前沿，涉及核心链路与底层 Runtime 设计，技术成长空间极大，能深度参与大模型应用落地的核心环节。
技术前沿前沿/新兴技术
技术栈Agent、LLM、Python、Go、Java、RAG、Workflow、多模态
业务类型ambiguous
工作生活
50较低
JD 未提及工作模式与工时安排，但作为核心探索岗，通常工作节奏较快，WLB 情况无法从 JD 中直接判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
致力于将前沿 AI 技术转化为真实的社区交互体验，推动大模型在内容社区的创新落地，具有较高的技术使命感与行业影响力。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs