快手
Agent 研发工程师（基础设施方向）-【可灵AI专项】
Agent 研发工程师（基础设施方向）-【可灵AI专项】
发布于 39 分钟前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Agentbench
Ai Coding
Go
Llm Agent
Swe-Bench
任务调度
分布式系统
值不值得投
80综合评分
综合评分 80
快手可灵AI核心基建岗，技术前沿且成长空间巨大，薪资竞争力强，但工作节奏可能较快。
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
4.5万
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 2600 个在招 · 其中人工智能 48 个
市场机会
选择面较广
北京 · 人工智能 · 约 620 个在招
职位详情
关于这个职位
该职位主要负责快手可灵AI的Agent评测平台及基础设施研发，包括设计高并发评测系统、搭建沙箱化任务执行环境以及构建轨迹采集与追踪系统
你需要深入理解LLM Agent运行机制，利用分布式技术保障评测全流程的稳定与可观测，为AI大模型的能力迭代提供坚实的底层支撑
最低要求
扎实的软件工程能力，熟悉TypeScript/Python/Go/Java 等至少一种语言，并能快速熟悉新语言技术栈
深入理解 LLM Agent 运行机制，能针对 Tool Call、多轮对话、长上下文、并行工具调用等复杂场景设计合理的 Harness 抽象
具备分布式系统或任务调度系统的设计与落地经验
熟练使用 AI Coding 工具，并能将其融入开发全流程以显著提升效率
工作职责
设计并持续演进 Agent Eval Platform，支持大规模并发评测任务的高效执行，提供多维度、多任务类型的 Agent 能力量化评估，打通实验、评测、回归与数据闭环
设计并搭建沙箱化任务执行环境，支持代码执行、工具调用、多模态交互等复杂 Agent 行为的安全隔离与精确测量，保障执行环境的稳定性与可扩展性
设计 Agent 轨迹采集系统，建立完善的日志采集、Trace 追踪与异常处理机制，保障评测全流程可观测性
优先资格
有 Agent 评测框架（如 AgentBench、SWE-bench、GAIA 等）使用或二次开发经验
参与过大规模 ML 基础设施或模型训练评测平台的研发
AI 洞察
优缺点分析
优点
- 处于AI大模型与Agent技术爆发的核心赛道，技术前沿性极强，能积累稀缺的LLM基建经验
- 核心AI业务线，平台资源充足，职业背书价值高
- Agent评测与沙箱环境涉及复杂的多模态交互与长上下文处理，技术难度大，需持续跟进前沿论文与开源框架
- 具备扎实分布式系统经验，对大模型底层运行机制有浓厚兴趣，且渴望在AI基建领域深耕的中高级后端/系统研发工程师
缺点 / 挑战
- 依托快手可灵AI专项，拥有海量真实业务场景和大规模并发需求，技术挑战与成就感高
- 基础设施岗需保障高并发下的系统稳定性，可能面临较大的线上运维与排障压力
角色解读
- 纵向可成长为AI基础设施领域的技术专家，主导更大规模的模型评测与训练基建架构
- 横向可向AI Agent应用架构师或大模型底层系统研发负责人方向发展
- 设计和维护Agent评测平台，支持大规模并发任务，量化评估Agent能力
- 搭建沙箱化执行环境，确保代码执行、工具调用等复杂行为的安全隔离与稳定运行
- 构建轨迹采集与Trace追踪系统，实现评测全流程的可观测性与异常处理
- 扎实的后端开发能力，精通至少一门主流语言（如Go/Python/Java），并具备分布式系统或任务调度系统的实战经验
- 深入理解LLM Agent的运行机制，能够针对Tool Call、多轮对话等复杂场景设计合理的底层抽象
- 熟练使用AI Coding工具提升开发效率，具备快速学习新技术栈的能力
申请策略
- 提前体验快手可灵AI的相关产品，了解其在多模态与Agent方向的业务布局，面试时结合业务谈基建价值
- 突出分布式系统、任务调度或高并发架构的设计与落地经验，用具体数据说明系统吞吐量与稳定性指标
- 详细阐述对LLM Agent机制的理解，若有相关开源项目贡献或评测框架（如AgentBench）二次开发经验，务必放在显眼位置
- 展示熟练使用AI Coding工具提升研发效率的实际案例或工作流
- 深入研读SWE-bench、GAIA等主流Agent评测框架的源码，理解其Harness抽象与沙箱隔离机制
- 补充分布式追踪（如OpenTelemetry）与大规模日志采集系统的实战知识
面试指南
- 架构设计类：采用“背景-挑战-方案-收益”框架，重点突出高并发下的资源隔离（如容器化沙箱）、调度策略及可观测性设计
- 机制理解类：结合具体场景（如多轮对话状态管理、工具调用超时重试），从底层原理出发，阐述抽象设计的合理性与扩展性
- 请设计一个支持大规模并发的Agent评测平台架构，如何解决资源隔离与任务调度问题？
- 针对Tool Call和长上下文场景，你在设计Harness抽象时会考虑哪些核心指标和容错机制？
- 在沙箱化任务执行环境中，如何保障代码执行的安全性与精确测量？
- 请分享一个你主导过的分布式系统或任务调度系统的落地案例，遇到过哪些性能瓶颈及解决方案？
- 复习分布式系统核心组件（如消息队列、RPC、分布式锁）及容器化隔离技术（Docker/K8s）
- 准备1-2个具有技术深度的项目案例，重点打磨在复杂场景下的系统设计与Troubleshooting经验
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
快手作为上市互联网企业，AI核心业务线的薪资具备较强市场竞争力，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：3千–6万/月）
成长发展
95较高
岗位处于LLM Agent基建的最前沿，技术栈极具前瞻性，能深度参与大模型核心评测与执行环境的研发，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈LLM Agent、TypeScript、Python、Go、Java、分布式系统、任务调度、AI Coding、AgentBench、SWE-bench
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与WLB相关信息，AI核心业务线通常工作节奏较快，生活化动机满足程度有限。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
参与大模型Agent底层基建研发，推动AI技术落地与能力边界拓展，具有较高的技术使命感与行业前景。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs