百度
Agent算法工程师（J106059）
Agent算法工程师（J106059）
发布于 7 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
Autogen
Cot
Plan-And-Execute
Pytorch
多智能体协同
大模型
强化学习
值不值得投
77综合评分
综合评分 77
大模型Agent核心算法岗，技术前沿、成长性强，薪酬与WLB需面试确认。
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，方便横向比较。
薪资怎么样
5.0万
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 1420 个在招 · 其中人工智能 51 个
市场机会
选择面较广
北京 · 人工智能 · 约 710 个在招
职位详情
关于这个职位
该岗位负责大模型智能体（Agent）系统的全链路设计与开发，涵盖自主规划、复杂推理、工具调用、记忆管理和多智能体协同等核心算法
你需要搭建评估体系并推动Agent在真实业务场景中规模化落地，持续提升任务完成率与系统鲁棒性
最低要求
研究生及以上学历，包含但不限于计算机、信息工程、人工智能、软件工程、电子工程、统计学、应用数学等相关专业
深入理解 ReAct、CoT、Plan-and-Execute 等主流 Agent 原理，熟练使用 PyTorch、LangChain、AutoGen 等框架，具备 Agent 系统从算法设计到工程落地的完整能力
深入理解大模型技术原理，追踪大模型、智能体、强化学习等领域前沿技术，具备快速将学术成果落地为商业化产品的实战能力
业务理解力强，自驱力突出，沟通表达清晰，具备良好的跨团队协作能力
工作职责
负责大模型智能体（Agent）系统全链路设计与开发，搭建具备自主规划、复杂推理、动态决策能力的智能体架构，推动智能体在实际业务场景的规模化落地
主导智能体核心算法研发与迭代优化，深耕意图理解、多步任务规划、工具调用、长短期记忆管理、多智能体协同等核心模块，持续提升任务完成准确率与系统鲁棒性
搭建多维度智能体评估体系，建立效果、效率、资源成本一体化量化指标，驱动产品与算法持续迭代与自进化
推进基于智能体驱动的业务创新，挖掘并孵化高价值应用场景，实现从技术验证到产品落地的闭环，构建差异化业务模式与增长飞轮
优先资格
有推荐、搜索智能体等产品从早期搭建经历，顶级会议论文（CVPR/ACL/ICML等），ACM、IOI、IMO等竞赛获奖，知名开源项目核心贡献者优先
AI 洞察
优缺点分析
优点
- 岗位处于大模型Agent热门方向，涉及规划、工具调用、记忆、多智能体等前沿技术，技术积累价值高
- 百度在搜索、推荐和AI基础设施方面有积累，有利于接触真实大规模业务场景
- 职责覆盖算法、评估和产品落地，能锻炼端到端系统能力
- 对顶级论文、竞赛和开源贡献者优先，说明团队重视技术深度与影响力
- Agent系统链路长，规划、工具调用和记忆管理等模块效果不稳定，调优难度高
- 需要同时兼顾算法创新、工程落地和业务指标，跨团队沟通与推进成本较大
- JD未披露办公模式与加班安排，实际工作节奏需面试确认
- 适合对大模型Agent有强烈兴趣、具备算法工程化能力，并希望在真实业务中做从0到1落地的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可沿算法专家路线深耕大模型Agent、强化学习与多智能体系统，成长为技术骨干
- 也可向Agent系统架构师、算法负责人或AI产品技术管理方向发展
- 在业务落地中积累从0到1的产品化经验，提升技术商业化能力
- 负责大模型智能体系统从架构设计、核心算法到工程落地的全链路开发
- 围绕自主规划、复杂推理、工具调用、记忆管理和多智能体协同等模块持续优化效果与鲁棒性
- 搭建智能体评估体系，用效果、效率、资源成本等指标驱动算法和产品迭代
- 探索Agent在业务中的高价值场景，推动从技术验证到产品化、规模化落地
- 熟悉 ReAct、CoT、Plan-and-Execute 等Agent范式，理解大模型推理与规划机制
- 熟练使用 PyTorch、LangChain、AutoGen 等框架，具备算法设计与工程实现能力
- 对大模型、强化学习、多智能体系统有较深理解，能跟踪前沿论文并快速复现落地
- 具备较强的业务抽象、跨团队协作和沟通推进能力
申请策略
- 投递前了解百度搜索、推荐或业务智能体相关产品，准备结合场景谈Agent落地思路
- 面试中主动说明你对Agent评估体系和自进化机制的理解，而不仅是模型调参
- 突出大模型Agent相关项目，写清架构、规划/工具调用/记忆模块和最终业务指标
- 展示PyTorch、LangChain、AutoGen等框架的工程落地经验，以及评测体系搭建经历
- 如有顶会论文、ACM/IOI/IMO竞赛、知名开源项目贡献，务必放在显眼位置
- 用量化结果说明任务完成率、鲁棒性、效率或成本优化效果
- 系统梳理ReAct、CoT、Plan-and-Execute、多智能体协同和强化学习前沿方法
- 准备一个可复现的Agent项目，覆盖工具调用、记忆管理、评估与失败案例分析
面试指南
- 项目题用STAR结构：业务背景—Agent架构—关键算法—指标结果—复盘改进
- 技术比较题先讲原理差异，再结合场景、成本、稳定性给出选型建议
- 开放设计题先明确目标和约束，再拆解模块、评估指标、失败兜底和迭代闭环
- 请介绍你做过的一个Agent系统，如何做任务规划、工具调用和记忆管理？
- ReAct、CoT、Plan-and-Execute各自适合什么场景，有什么优缺点？
- 如何设计Agent评估体系，平衡效果、效率和资源成本？
- 多智能体协同中如何解决冲突、死循环和错误传播？
- 如何把一篇Agent/强化学习前沿论文快速落地到业务？
职位点评
薪资福利78
成长发展90
工作生活55
使命价值82
薪资福利
78中等
JD未披露薪资与福利，薪酬竞争力需面试确认；岗位方向热门，预计具备一定市场竞争力。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
90较高
聚焦大模型智能体全链路与核心算法，覆盖规划、工具调用、多智能体协同和评估体系，技术前沿且成长空间大。
技术前沿前沿/新兴技术
技术栈大模型、Agent、ReAct、CoT、Plan-and-Execute、PyTorch、LangChain、AutoGen、多智能体协同、强化学习
业务类型profit_center
工作生活
55较低
JD未提及办公模式、弹性或加班安排，仅明确工作地点为北京，实际WLB需面试确认。
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
82较高
大模型智能体是当前AI热门方向，岗位推动技术在实际业务场景落地，行业前景与创新性较强。
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
百度 的其他在招职位
相似职位推荐
Watch Jobs