快手
Agent 后端开发实习生（推荐系统方向）
Agent 后端开发实习生（推荐系统方向）
发布于 1 天前实习/见习
实习生仅现场办公后端开发
后端开发
Llm Agent
Prompt Engineering
性能调优
推荐系统
高并发
Trace 可观测性
值不值得投
70综合评分
综合评分 70
大厂推荐系统实习岗，Agent 与 C++ 高并发交叉的前沿技术栈，成长性强但待遇与作息信息未披露。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
9.0千
与后端开发中位数基本持平
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 2890 个在招 · 其中后端开发 33 个
市场机会
选择面较广
北京 · 后端开发 · 约 460 个在招
职位详情
关于这个职位
在快手推荐系统团队，参与把 AI Agent 能力接入 C++ 高并发服务，用大模型驱动性能自动调优决策
同时用 Python/TypeScript 构建具备对话交互、信息检索与自动决策能力的 Agent 工具链，并建设 Agent 运行轨迹的采集与可观测体系
这是一个 LLM 应用工程与高性能后端交叉的实习岗位
最低要求
本科及以上学历，计算机相关专业，实习 6 个月及以上
扎实的 C++ 编程基础，理解内存管理、多线程、性能开销等底层概念
熟悉 Python 或 TypeScript 至少一门语言，愿意快速学习新技术栈
对 LLM Agent 有基本了解，知道 Tool Call、多轮对话、上下文管理等概念，有动手意愿深入钻研
了解 LangChain、Codex SDK 等框架的基本用法，能写出结构清晰的 Prompt
良好的沟通能力和团队协作意识
工作职责
参与面向推荐系统 C++ 高并发服务的 AI Agent 平台设计与开发，用 Agent 能力赋能性能自动调优决策
基于 Python/TypeScript 开发和集成大语言模型应用，构建具备对话交互、信息检索、自动决策能力的 Agent 工具链
设计 Agent 运行轨迹采集与可观测性体系，建立日志采集、Trace 追踪与异常处理机制，保障全链路可观测
参与推荐核心 C++ 服务的性能分析与优化实践，将 Agent 产出的调优策略验证并落地到实际系统中
优先资格
有 LLM Agent 开发或 Harness 设计经验
有 C++ 高并发系统性能调优相关经验（如使用过 perf、火焰图、pprof 等工具）
了解 Linux 系统性能分析基础（CPU、内存、IO、网络等维度）
AI 洞察
优缺点分析
优点
- 处在 LLM Agent 与推荐系统结合的较前沿方向，技术栈相对稀缺，简历辨识度高
- 同时接触 C++ 高并发系统与 LLM 应用工程，能力面比单一方向更宽
- 基于真实生产系统做优化与落地验证，能积累可讲清楚的实战案例
- 需要同时应付 C++ 底层与 Agent 应用层两块内容，学习曲线较陡
- 可观测性体系与性能调优偏工程细节，工作过程可能比较琐碎、需要耐心
- 适合计算机基础扎实、对 LLM Agent 与高性能后端都有真实兴趣，且能保证长期稳定实习的在校生
缺点 / 挑战
- 要求实习 6 个月及以上，对在校生的时间投入和课业平衡要求较高
角色解读
- 在 LLM Agent 工程与高性能后端交叉领域积累稀缺经验，这在当前市场上较为抢手
- 实习表现优秀有机会转正，进入推荐系统后端或 AI 平台/Infra 方向继续深耕
- 后续可向 Agent 平台工程师、推荐系统工程师或 AI Infra 工程师方向发展
- 参与把 AI Agent 能力接入推荐系统的 C++ 高并发服务，让 Agent 自动给出性能调优决策并落地验证
- 用 Python/TypeScript 集成大语言模型，搭建具备对话交互、信息检索和自动决策能力的 Agent 工具链
- 设计和实现 Agent 运行轨迹的日志采集、Trace 追踪与异常处理机制，保障全链路可观测
- 参与推荐核心 C++ 服务的性能分析与优化实践，把 Agent 产出的策略在真实系统中验证
- 扎实的 C++ 功底，理解内存管理、多线程、性能开销等底层概念
- 至少熟悉 Python 或 TypeScript 一门语言，能快速上手新框架
- 理解 LLM Agent 的基本机制，包括 Tool Call、多轮对话、上下文管理
- 会使用 LangChain、Codex SDK 等框架，并能写出结构清晰的 Prompt
申请策略
- 投递时明确写清可实习时长（6 个月以上）、每周到岗天数与最快到岗时间，这是实习岗的硬性筛选点
- 提前了解快手推荐系统的公开技术分享与 Agent 相关实践，面试中能体现业务理解会加分
- 重点呈现 C++ 项目经历，尤其是多线程、内存管理、性能优化相关部分，并量化效果
- 展示 Python 或 TypeScript 项目，若有调用大模型 API、构建工具链或 Agent Demo 的经历要写清楚
- 列出 LangChain、Prompt 设计、RAG、RPC 框架等具体工具的实操经验，而非只写“了解”
- 若有 perf、火焰图、pprof、Linux 性能排查经验，建议单独成条突出，这是明确加分项
- 补齐 LLM Agent 的核心概念与动手实践：Tool Call、多轮上下文管理、ReAct 等范式
- 熟悉 Linux 性能分析基础工具与指标维度（CPU、内存、IO、网络），能独立做一次简单的性能排查
面试指南
- 技术题按「背景-方案-取舍-结果」组织，尽量落到具体指标或线上效果，避免只讲概念
- 系统设计题先讲目标与约束，再按采集、存储、查询展示、告警的分层结构展开，说清取舍原因
- Agent 类问题结合自己的动手项目讲，重点说踩过的坑和迭代过程，比背概念更有说服力
- 讲一个你写过的 C++ 项目，内存管理和多线程同步是怎么做的？
- 你理解的 LLM Agent 是什么？Tool Call 和上下文管理在工程上如何实现？
- 如果让你设计一套 Agent 运行轨迹的日志与 Trace 可观测体系，你会怎么分层设计？
- 一个 C++ 服务 CPU 占用异常升高，你会如何定位问题？
- 你在 LangChain 中用过哪些组件？如何保证 Prompt 结构清晰、输出稳定？
职位点评
薪资福利58
成长发展88
工作生活56
使命价值62
薪资福利
58较低
JD 未披露实习津贴与福利待遇，实习岗位收入以津贴为主，补偿性满足程度一般。
薪资信号未披露（AI估算：6.5千–1.1万/月）
成长发展
88较高
岗位同时覆盖 LLM Agent 应用工程与 C++ 高并发性能优化，技术栈稀缺且成长方向明确。
技术前沿前沿/新兴技术
技术栈C++、Python、TypeScript、LLM Agent、LangChain、Codex SDK、Prompt、推荐系统、Trace、perf
成长机会愿意快速学习新技术栈、有动手意愿深入钻研
业务类型profit_center
工作生活
56较低
JD 未提及办公模式与作息安排，仅可确认工作地点在北京；具体通勤与弹性情况需与 HR 确认。
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
62中等
岗位处于成熟推荐业务与新兴 Agent 技术的结合点，技术探索价值较高，但社会价值层面的表达在 JD 中缺失。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs