Agent平台全栈研发工程师（练习生）

优缺点分析

角色解读

• 深度参与前沿AI Infra项目，积累从评测、研发到平台落地的全链路经验
• 在AI应用工程领域建立扎实的技术栈，为未来成为AI方向的资深工程师或架构师打下基础
• 有机会接触业界最新的Agent技术范式（如MCP），对AI技术的演进有第一手认知
• 参与建设一个AI Agent平台的评测与迭代体系，确保Agent效果可衡量、可优化
• 研发Agent的核心能力，如理解用户意图、调用工具、规划并执行复杂任务
• 开发面向内部开发者或用户的产品化工具，通过界面化降低使用复杂AI能力的门槛
• 负责平台底层的稳定性、可扩展性与工程化建设，如微服务、监控和调度
• 扎实的后端开发能力，至少精通Go/Python/Java中的一种语言及其生态
• 熟悉常见的数据库、缓存、消息队列等中间件，有良好的系统设计和工程实践能力
• 对AI大模型应用有热情和认知，了解Agent、RAG、Prompt Engineering等核心概念
• 能主动使用AI编程工具辅助开发，并具备良好的自驱力与协作意识

申请策略

• 在申请时，可以附上你的技术博客、GitHub仓库或可运行的Demo链接，这将是有力的加分项
• 仔细研究小红书的内容生态和社区功能，思考AI Agent可以在哪些场景（如内容创作、信息检索、客服）发挥作用
• 重点突出与AI大模型应用相关的个人项目或课程作业，尤其是涉及Agent、RAG、API调用的实践
• 清晰列出掌握的后端技术栈（如Go+MySQL+Redis），并强调解决过的具体技术问题
• 如果使用过AI编程工具（如GitHub Copilot）或参与过相关开源项目，务必在简历中体现
• 系统学习Agent相关技术，如LangChain、LlamaIndex等框架，或尝试调用OpenAI等API实现一个简单Agent
• 复习和巩固Go/Python的高级特性和设计模式，并了解微服务架构的基本概念
• 阅读技术博客或论文，了解MCP（Model Context Protocol）等新兴概念，为面试做准备

面试指南

• 对于概念题（如Agent定义），采用“核心特征（自主决策、工具使用、环境交互）+ 与传统AI对比 + 简单示例”的框架
• 对于项目经验题，采用“STAR法则”：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出技术选型和问题解决过程
• 对于开放设计题（如评测体系），先明确目标（保证评测的全面性、可复现性），再分点阐述具体的评测维度和方法
• 请描述你对AI Agent的理解，它与传统的AI应用有何不同？
• 你之前使用大模型API开发过什么应用？遇到了哪些技术挑战（如流式响应、上下文管理），如何解决的？
• RAG和Tool Calling分别解决什么问题？它们如何协同工作？
• 如果让你设计一个Agent评测数据集，你会包含哪些维度的测试用例？
• 你对MCP（Model Context Protocol）有什么了解？它可能解决什么问题？