快手
Agent研发工程师-基础设施方向
Agent研发工程师-基础设施方向
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公平台工程
平台工程
Agentbench
Ai Coding
Go
Llm Agent
任务调度
分布式系统
沙箱环境
值不值得投
80综合评分
综合评分 80
AI核心基础设施岗，技术前沿且成长空间大，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
比平台工程中位数高
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 · 其中平台工程 5 个
市场机会
选择适中
北京 · 平台工程 · 44 个在招
职位详情
关于这个职位
该职位主要负责快手Agent基础设施的研发，包括设计Agent评测平台、搭建沙箱化任务执行环境以及构建轨迹采集系统
你需要利用扎实的分布式系统经验，保障大规模并发评测任务的高效执行与全流程可观测性，推动大模型Agent能力的量化评估与迭代
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
- 处于大模型与Agent技术爆发的核心赛道，技术前沿性极强，能接触到行业最新的AI工程化实践
- 基础设施岗位的核心价值在于赋能全局，工作成果对整体AI业务迭代具有决定性支撑作用
- 基础设施开发对系统稳定性、并发处理能力要求极高，复杂场景下的调试与排障难度大
- 适合具备扎实后端与分布式系统基础，对大模型和Agent技术有浓厚兴趣，且喜欢解决复杂工程问题的技术驱动型人才
缺点 / 挑战
- 依托海量业务场景，能直面大规模并发与复杂工程挑战，技术壁垒高，个人能力成长快
- Agent技术迭代极快，需要持续跟进最新论文与开源框架，学习压力与知识更新要求较高
角色解读
- 可向大模型基础设施架构师、AI平台技术专家方向发展，成为底层技术骨干
- 深入Agent生态建设，主导大模型评测标准与工程化落地，提升在AI前沿领域的影响力
- 负责设计和开发Agent评测平台，支持大规模并发评测任务的高效执行与数据闭环
- 搭建沙箱化环境以安全隔离和精确测量代码执行、工具调用等复杂Agent行为
- 构建轨迹采集系统，实现评测全流程的日志采集、Trace追踪与异常处理
- 精通至少一种主流编程语言（如Python/Go/Java），具备扎实的分布式系统或任务调度系统设计与落地经验
- 深入理解LLM Agent运行机制，能针对Tool Call、多轮对话等复杂场景设计合理的Harness抽象
- 熟练使用AI Coding工具，并能将其融入开发全流程以显著提升工程效能
申请策略
- 了解快手在大模型和AI应用方面的最新业务布局，准备一些关于如何提升Agent评测效率与准确性的思考
- 突出分布式系统或任务调度系统的实际落地经验，展示解决高并发、高可用问题的能力
- 展示对LLM Agent机制的深入理解及相关的Harness设计经验，体现对前沿AI技术的掌握
- 强调使用AI Coding工具提升开发效率的具体案例，契合岗位对工程效能的要求
- 提前熟悉AgentBench、SWE-bench等主流评测框架的原理与使用，了解其架构与痛点
- 深入学习大模型Agent的Tool Call、多轮对话等核心机制及沙箱隔离技术
面试指南
- 采用STAR法则回答项目经验，重点突出系统设计的思考过程、遇到的技术难点及解决方案
- 对于架构设计问题，从需求分析、核心模块设计、扩展性与高可用保障、监控与运维等维度全面展开
- 如何设计一个支持大规模并发的Agent评测平台？
- 在沙箱环境中执行代码和工具调用时，如何保障安全隔离与资源限制？
- 针对Tool Call和多轮对话场景，你的Harness抽象是如何设计的？
- 请分享一个你主导的分布式系统或任务调度系统的设计与落地案例
- 深入复习分布式系统核心概念（如一致性、高并发、任务调度算法），准备自己使用AI Coding工具的实际心得
- 了解当前主流的Agent评测框架（如SWE-bench）的架构与痛点，形成自己的优化思路
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
该岗位属于AI核心基础设施方向，技术门槛高，北京同类高级研发岗位薪资竞争力强，整体薪酬回报处于市场前列。
薪资信号未披露（AI估算：3千–6万/月）
成长发展
95较高
处于大模型Agent基础设施的最前沿，技术栈极具前瞻性，能深度参与AI工程化落地的核心环节，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、沙箱环境、Trace追踪
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与加班情况，核心AI研发岗位通常工作节奏较快，WLB情况无法明确判断。
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
推动大模型Agent能力的量化评估与迭代，对AI技术的工程化落地和行业发展具有积极的推动作用。
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