小红书
【REDstar】AI Agent Infra 工程师
【REDstar】AI Agent Infra 工程师
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公后端开发
后端开发
Ai Agent
Go
Mcp
Rag
分布式系统
系统架构
值不值得投
81综合评分
综合评分 81
前沿AI Agent Infra岗位，技术挑战大、成长空间足，薪资有竞争力，但工作生活平衡与具体福利需进一步确认。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
50K
比后端开发中位数高
发布情况
新岗位 · 2 天前发布
公司情况
这家公司招聘很活跃
约 1300 个在招 · 其中后端开发 15 个
市场机会
选择面较广
北京 · 后端开发 · 约 240 个在招
职位详情
关于这个职位
该职位是小红书AI Agent基础设施团队的核心工程师，负责构建和优化支撑公司级AI Agent生产与进化的统一技术平台
工作涉及Agent执行内核、长任务运行时、上下文与记忆系统、工具安全与沙箱、评测与持续进化等前沿领域的设计和研发，旨在解决真实、大规模生产环境下的复杂工程挑战，并将技术突破沉淀为可复用的公共能力
最低要求
具备扎实的计算机基础和代码能力，熟悉 Python / C++ / Rust / Go 中至少一门语言，能够完成复杂系统的设计、实现、验证与性能分析
在 Agent 系统、分布式系统、机器学习系统、编程语言与 Runtime、云原生基础设施、检索与记忆或评测系统中的至少一个方向具备显著深度
不要求覆盖全部方向
理解 Agent 的核心执行机制，对 Agent Loop、Workflow、Planner–Executor、Tool Calling、MCP、Session、Context、Memory、Trace 或 Evaluation 等技术中的部分方向有深入研究或实践
具备系统抽象能力，能够区分 Agent 定义与 Runtime、Runtime 与执行环境、Control Plane 与 Data Plane、Registry 与 Gateway，以及平台评测基础设施与业务评测语义的边界
能够从真实场景中识别关键技术问题，提出可验证的技术假设，并通过实验、Benchmark 或生产数据判断方案有效性，而不止于完成模块或功能交付
具备良好的研究品位、工程实现能力、沟通协作能力和问题闭环意识，愿意探索未知问题，并将前沿技术转化为可靠的生产系统
工作职责
Harness Kernel 与执行架构研发： 探索模块化、可组合、可扩展的 Agent 执行内核，将模型适配、Agent Loop、上下文组装、记忆、工具调用、审批和遥测等能力解耦，支持 ReAct、Workflow、Planner–Executor、Multi-Agent 等不同执行架构，并持续适配模型能力演进
Managed Runtime 与长任务系统： 建设面向生产环境的 Agent Runtime，研究 Session、Event、Turn、Deployment、Workspace 等状态模型，解决长周期任务中的状态持久化、断点恢复、故障迁移、弹性运行、幂等执行和资源隔离问题，保证运行实例可以被替换，但任务状态和执行结果不会丢失
Context、Memory 与 Knowledge： 探索 Context Engineering、分层记忆、Retrieval / RAG、Grounding 与个性化机制，研究如何在有限上下文窗口和成本约束下，提升 Agent 获取、组织、保留和使用信息的能力
Tool、MCP 与安全执行基础设施： 建设 Tool、Skill、MCP Server 等能力的注册、版本、发现和调用体系，完善 Sandbox、Credential、Agent Identity、委托授权、网络与文件访问控制，为代码执行和工具调用提供隔离、可审计、可治理的安全边界
Agent Control Plane： 定义统一的 Agent Artifact、资产模型和生命周期协议，建设覆盖身份、Owner、版本、权限、策略、发布、状态和成本的控制面，支持不同框架、不同 Runtime 以及 Managed / BYO Agent 的统一纳管，同时保留上层业务架构创新空间
Evaluation 与持续进化： 建设数据集、评估器、Trace、Experiment、Run Version、回归分析、上线 Gate、线上抽样和 Bad Case 回流能力，让模型、Prompt、Tool、Context 或执行架构的每次变化都能够被评估、对比和安全发布，形成从线上反馈到系统优化的持续进化闭环
前沿探索与生产验证： 持续跟踪 Agent Runtime、Harness、Memory、Evaluation、Multi-Agent 等前沿方向，形成独立的架构判断
与核心业务共建 Anchor Tenant，通过真实业务效果和生产指标验证新技术，并沉淀可复用的 Reference Architecture、开源项目或行业技术成果
跨团队系统协同： 与模型、推理、MaaS、数据、安全、可观测、CI/CD 和业务团队协作，共同解决 Agent 效果、工程、模型与生产系统交叉形成的复杂问题
优先资格
在 Agent、分布式系统、MLSys、编程语言、信息检索或软件工程方向有高水平论文、重要开源贡献、竞赛成绩或原创技术成果
参与过 Agent Framework、Agent Runtime、Workflow Engine、MCP、Sandbox、Evaluation、Observability 或相关开源项目的核心模块研发
有长任务、状态机、事件驱动系统、工作流引擎、分布式执行、故障恢复或多租户平台的设计与落地经验
有代码执行沙箱、工具调用系统、身份与委托授权、Credential 管理、安全隔离或审计系统的实践经验
在 Context Engineering、分层记忆、RAG、Grounding、个性化或长上下文系统方面有深入研究或实际成果
建设过数据集、评估器、Trace、版本对比、回归分析、Eval Gate 或线上 Bad Case 闭环，并能解释评测结果与真实业务效果之间的关系
有大规模生产 Agent 系统实践，解决过稳定性、时延、成本、效果归因、灰度发布或跨框架治理问题
AI 洞察
优缺点分析
优点
- 业务真实：在拥有亿级用户的真实、复杂业务场景中验证与打磨技术，技术成果能直接产生业务价值
- 架构影响力：有机会从零到一构建公司级统一平台，架构决策将影响多个业务线
- 团队专精：团队专注于AI Infra底层建设，技术氛围浓厚，能深入钻研系统级问题
- 技术复杂度极高：需要同时处理分布式系统、AI模型、安全、评测等多个交叉领域的复杂问题
- 生产稳定性要求高：系统作为公司级基础设施，对稳定性、可靠性和性能有极高要求，线上问题影响面广
- 跨团队协同难度大：需要与模型、数据、安全、业务等多个团队紧密协作，推动统一标准与协议
- 适合具备扎实系统工程功底、对AI Agent底层架构有浓厚兴趣、享受解决复杂分布式系统难题、并有志于构建大规模生产级基础设施的资深工程师
缺点 / 挑战
- 技术前沿：直接参与构建下一代AI Agent基础设施，接触Agent Runtime、Context Engineering、MCP等最前沿的技术挑战
角色解读
- 技术专家路线：深入AI Infra某一核心方向（如Runtime、Memory、Evaluation），成为该领域的权威架构师
- 综合架构师路线：横向扩展，负责整个Agent生产平台的整体架构设计与技术演进规划
- 技术领导路线：带领小团队攻克Agent Infra关键技术难题，推动技术方案在公司内落地与影响
- 设计并实现可扩展、可组合的AI Agent执行内核与运行时系统，解决长任务状态管理、故障恢复等生产级难题
- 构建Agent的上下文、记忆与知识管理系统，提升Agent在复杂场景下的信息处理与决策能力
- 建立Agent工具调用的安全沙箱与统一控制面，实现对多框架、多租户Agent的标准化管理与评测
- 通过构建评估、实验与持续进化体系，确保Agent系统在真实业务场景中稳定、高效地运行与迭代
- 扎实的系统设计与工程能力，精通至少一门如Python、C++或Go等语言
- 在分布式系统、AI Agent/MLSys、编程语言Runtime或云原生基础设施等至少一个领域有深厚积累
- 对Agent核心机制（如Loop、MCP、Memory、Evaluation）有深入理解与实践经验
- 强大的系统抽象与边界划分能力，能区分定义、运行时、控制面等不同层级
申请策略
- 深入研究小红书RAI Studio团队的技术博客或开源项目（如有），了解AgentSphere的已有进展
- 在面试中，尝试展示你对AI Agent从“单点应用”走向“规模化生产”所面临挑战的系统性思考
- 准备一个你过去解决过的最复杂的系统设计问题案例，并清晰阐述你的思考过程
- 突出在分布式系统、MLSys、Agent框架或编程语言Runtime等领域的深度项目经验，具体说明解决的技术难题和取得的成果
- 展示系统设计能力，描述你如何抽象和划分系统边界，以及所做的关键架构决策
- 强调从识别问题、提出假设到通过实验/数据验证闭环的研究与工程结合能力
- 如有相关开源贡献、论文或技术博客，请重点列出
- 深入研究Agent Runtime设计模式，如状态机、事件驱动、长任务编排等
面试指南
- 对于系统设计问题，采用“需求分析 -> 核心抽象 -> 关键组件 -> 权衡与演进”的框架进行阐述
- 对于技术原理问题，先给出清晰定义，再结合具体场景或案例说明其重要性及实现考量
- 对于过往经验问题，使用STAR法则（情境、任务、行动、结果），突出你的思考、技术选择和最终影响
- 请描述一个你设计过的复杂分布式系统或Agent系统，重点讲讲其中的状态管理和故障恢复机制
- 如果让你为一个需要调用多个外部工具和LLM的复杂Agent任务设计Runtime，你会考虑哪些核心组件和挑战？
- 如何评估一个Agent系统在真实业务中的效果？请设计一个从数据采集、评测到优化的闭环流程
- 请解释一下Agent的Context与Memory的区别与联系，以及如何在有限成本下优化它们？
- 你在以往的项目中，是如何处理一个看似无法解决的技术难题的？
职位点评
薪资福利78
成长发展95
工作生活60
使命价值90
薪资福利
78中等
该职位对补偿性动机（薪资、稳定性、福利）的满足程度较高。作为小红书高级技术岗位，薪资具有市场竞争力。但JD未提及具体福利，稳定性方面公司为融资阶段较靠后的成熟企业，但具体保障需进一步了解。
薪资信号偏高 (35K-65K/月)
成长发展
95较高
该职位对发展性动机（技能成长、晋升、培训）的满足程度非常高。工作内容处于AI Agent基础设施的最前沿，技术挑战大，成长空间广阔。但JD未明确提及晋升路径或培训体系。
技术前沿前沿/新兴技术
技术栈Agent、Runtime、MCP、RAG、Context Engineering、Distributed Systems、Evaluation
业务类型ambiguous
工作生活
60中等
该职位对生活化动机（WLB、办公灵活性、通勤便利）的满足程度中等。工作地点为一线城市，通勤和生活成本较高。JD未提及任何办公模式或WLB相关信息，无法判断工作强度。
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
90较高
该职位对意义感动机（社会价值、行业前景、使命感）的满足程度很高。AI Agent是当前人工智能领域最具前景的方向之一，构建其基础设施具有行业开创性，且在小红书这样有海量真实用户的产品中落地，社会影响力显著。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号构建可被公司不同业务复用的公共能力、在真实、多业务、大规模的生产环境中验证新的 Agent 系统架构
创新程度开拓性创新（行业首创）
Watch Jobs