快手
Agent Harness 开发/优化工程师-【可灵AI专项】
Agent Harness 开发/优化工程师-【可灵AI专项】
发布于 大约 18 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Agent Runtime
Dit
Llm Agent
Prompt Engineering
多模态Ai
系统架构
视频生成
值不值得投
74综合评分
综合评分 74
前沿AI Agent框架岗，技术成长天花板高，但工作模式与强度信息不明，需综合评估。
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
43K
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2150 个在招 · 其中人工智能 6 个
市场机会
选择面较广
北京 · 人工智能 · 约 340 个在招
职位详情
关于这个职位
这是快手可灵AI专项团队的Agent Harness开发/优化工程师岗位
你需要负责设计与优化视频生成及多模态创作Agent的运行框架（Agent Harness），提升复杂AI任务的执行效率、质量与系统可靠性，探索LLM与视频生成模型的创新应用
最低要求
熟悉 LLM Agent 的核心机制，对任务规划、Tool Calling、上下文工程、记忆管理及多Agent 协作有实践经验
对 Agent Harness 或 Agent Runtime 有系统性理解，能够处理长任务执行、状态持久化、并发调度、失败恢复及 Human-in-the-loop 等问题
了解主流 LLM 的训练与推理机制，能够针对模型特性优化Prompt、工具描述、结构化输出和执行策略
熟悉视频生成模型及相关技术链路，理解文生视频、图生视频、视频编辑、参考图控制和多模态理解等基本机制
具备 AI-Native 的工作方式：善于使用 AI 编程及研究工具快速验证想法，能够通过实验、评测和数据反馈持续迭代，而非依赖经验判断
工作职责
设计和优化 Agent Loop、Tool Use、上下文管理、记忆、状态管理及任务恢复等核心能力
建设适用于视频创作的多阶段 Agent Workflow，优化模型、工具与生成链路之间的协同
建立 Agent 评测和可观测体系，持续优化任务成功率、生成质量、延迟及成本
探索 LLM 与视频生成模型在任务规划、Prompt 优化、结果反馈和自动迭代中的应用
优先资格
深入理解 Transformer、Diffusion、DiT、Flow Matching 等模型原理及推理机制
在 LLM、Agent、多模态理解或视频生成方向有论文、专利、开源项目等研究成果者优先
有 Agent Runtime、Workflow Engine、模型平台或复杂 AI 应用落地经验
对前沿技术保持敏感，具备较强的自主学习、问题定义和从不确定需求中快速形成可验证方案的能力
AI 洞察
优缺点分析
优点
- 技术栈非常前沿，能直接参与大模型（LLM）与视频生成AI的融合创新，积累稀缺的Agent Runtime与Workflow工程经验
- 身处国内顶级的AI视频创作团队，能接触到业界领先的模型和实际应用场景
- 技术难度高，需要同时驾驭LLM Agent、视频生成模型、分布式系统等多个复杂领域
- AI领域技术迭代速度极快，需要持续高强度学习以保持技术敏感度
- 岗位处于创新与工程落地的交汇点，可能需要在探索性研究与产品稳定性之间找到平衡
- 对LLM Agent系统架构充满热情，同时具备一定工程落地能力，并希望深入AI视频生成前沿领域的研发工程师
缺点 / 挑战
- 项目目标明确且有挑战性，能快速看到自己设计的框架对AI创作效果的提升
角色解读
- 技术专家路径：深耕Agent架构与AI系统优化，成为Agent Runtime或AI平台领域的资深技术专家
- 架构师路径：负责更宏大的AI创作平台或通用Agent系统的整体架构设计
- 技术管理路径：带领小团队专注于AI应用框架的某一细分方向进行攻坚
- 设计和维护AI Agent的底层运行框架，确保其能稳定、高效地处理视频生成等复杂创作任务
- 构建和优化多阶段的Agent工作流，使大语言模型、各类工具和视频生成模型能高效协同工作
- 搭建评测与监控系统，通过数据持续分析并优化Agent的任务成功率、性能和成本
- 扎实的LLM Agent开发经验，深入理解任务规划、工具调用、上下文与状态管理等核心机制
- 熟悉视频生成模型的技术链路，理解文生视频、多模态控制等AI应用原理
- 强大的系统工程能力，能够设计和解决长任务执行、失败恢复等复杂的系统级问题
- 具备AI-Native工作思维，熟练运用AI工具进行快速原型验证和基于数据的迭代优化
申请策略
- 研究快手‘可灵AI’产品的现有能力和近期发布动态，理解业务场景和技术挑战
- 在面试中，准备一个你设计或优化过的复杂系统/Agent Loop的案例，清晰地阐述问题、方案与结果
- 重点突出任何与LLM Agent、Multi-Agent系统、Tool Calling相关的项目或研究经验，说明你解决了什么系统级问题
- 展示在视频生成、多模态模型应用或相关AI系统（如推理优化、评测平台）方面的实践经验
- 强调你的AI-Native工作方式，例如如何利用AI Copilot、评测脚本等工具提升研发效率的具体案例
- 如果有的话，列出你在该领域的论文、专利、开源贡献或高质量技术博客
- 系统复习和实践LLM Agent的核心模式，如ReAct、Tool Use、Memory等，并尝试构建一个简单的工作流引擎
- 深入研究一种视频生成模型（如Stable Video Diffusion）的技术论文和开源实现，理解其接口与约束
面试指南
- 系统设计类问题：采用‘分层分模块’的思路回答，从目标、核心模块（感知-决策-执行）、数据流、容错机制等方面展开
- 技术原理类问题：结合论文或开源项目（如LangChain、AutoGen）中的设计，阐述其优缺点并给出自己的改进思考
- 案例分析类问题：使用STAR法则，清晰描述背景（Situation）、任务（Task）、行动（Action）和结果（Result），重点突出技术决策和量化收益
- 请描述一下你理解的Agent Loop（或Runtime）应该包含哪些核心模块？你会如何设计其中的状态管理或失败恢复机制？
- 如果要为一个‘文生视频’任务设计一个包含多步工具调用的Agent Workflow，你会如何划分阶段？如何优化各环节的协同以提升最终生成质量和效率？
- 如何评估一个Agent系统在复杂创作任务上的表现？你会设计哪些指标，如何收集和分析数据？
- 请分享一个你利用AI编程工具（如Copilot）或AI研究工具提升工作效率的具体案例
- 你认为当前LLM Agent技术在工程落地中遇到的最大瓶颈是什么？有何潜在解决方案？
职位点评
薪资福利70
成长发展90
工作生活55
使命价值80
薪资福利
70中等
作为已上市科技公司的核心AI岗位，薪资福利应具有市场竞争力，但JD未披露具体数字。
薪资信号未披露（AI估算：30K-55K/月）
成长发展
90较高
岗位涉及LLM Agent、视频生成等AI最前沿的交叉领域，技术挑战大，成长空间显著，能快速积累稀缺的系统级AI工程经验。
技术前沿前沿/新兴技术
技术栈LLM Agent、Agent Runtime、视频生成、多模态AI、Prompt Engineering、Diffusion、DiT、Flow Matching
业务类型profit_center
工作生活
55较低
JD未明确工作模式和WLB情况。作为核心AI研发岗位，在创新攻坚期可能需要较高的投入度。
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
80较高
参与构建赋能内容创作的AI Agent，具有明确的社会价值（提升创作效率与可能性），所处赛道增长迅速，创新性强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs