
携程
AI Agent 研发(MJ037774)
AI Agent 研发(MJ037774)
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公AI算法
AI算法
Agent Harness
Ai Agent
Hnsw
Llm
Prompt优化
Rag
向量检索
值不值得投
74综合评分
综合评分 74
前沿大模型应用研发岗,技术成长强,薪资福利未披露,办公模式未明确
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
4.3万
比AI算法中位数低
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 510 个在招 · 其中AI算法 2 个
市场机会
选择面较广
上海 · AI算法 · 约 160 个在招
职位详情
关于这个职位
这个岗位聚焦 AI Agent 应用研发,负责将大模型能力落地到实际业务场景,包括 Agent Harness、知识库与 RAG 系统建设
你需要参与从架构设计、模块开发到评测监控与平台化复用的完整链路,适合有后端开发基础并深入理解 LLM、RAG 和工具调用机制的求职者
最低要求
熟练掌握 Python、Java、TypeScript 中至少一种语言,具备扎实的后端开发能力和良好的架构意识,能够独立完成模块设计、开发与部署
理解 LLM 与 Agent 的工作机制,熟悉工具调用、上下文管理及 Workflow 编排,了解 Agent Harness 的设计与实现
熟悉知识库构建与 RAG 原理,掌握文档解析、切分、Embedding、混合检索与重排
了解 GraphRAG、Agentic RAG、LLM Wiki 等前沿技术及适用场景
理解向量引擎与 ANN 检索底层原理,了解 HNSW、IVF 索引及 PQ 等量化方法,能够权衡召回率、延迟与资源成本
具备架构意识与技术判断力
能够根据业务规模、数据特征和可靠性要求进行模块划分、接口抽象及技术选型,明确模型推理与确定性代码的职责,避免不必要的系统复杂度
工作职责
岗位职责
负责 AI Agent 应用设计与开发,推动大模型能力在业务场景中落地
建设知识库与 RAG 系统,优化数据处理、知识组织、检索与生成效果
设计与实现 Agent Harness,完善上下文管理、工具调用、任务编排、状态管理与异常恢复
建立评测与监控体系,持续优化系统准确性、稳定性、响应速度与成本
推进公共能力抽象与平台化建设,合理划分模型、工具、知识、流程与业务系统的职责边界,支持多场景接入与能力复用
优先资格
加分项
有 Agent、知识库或 RAG 系统的生产实战经验
有大规模向量检索、多模态检索、搜索引擎或复杂任务调度实验经验
有 Prompt 优化、自动化评测或自进化等相关实战经验
AI 洞察
优缺点分析
优点
- 岗位处于大模型应用落地的核心方向,能够积累 Agent、RAG、评测和平台化建设的实战经验
- 技术栈覆盖后端开发、LLM 应用、向量检索和系统设计,能力成长面较宽
- 业务场景接入和公共能力建设并重,既能接触业务价值,也能沉淀通用技术平台
- JD 明确关注前沿技术,如 GraphRAG、Agentic RAG、LLM Wiki,对保持技术敏感度有帮助
- 大模型与 RAG 技术迭代快,需要持续跟进新论文、新框架和生产实践
- 适合具备扎实后端开发基础、希望转向大模型应用与 Agent 系统建设的工程师,尤其适合对 RAG、向量检索和平台化架构有兴趣的求职者
缺点 / 挑战
- Agent 系统涉及模型不确定性、工具调用稳定性和异常恢复,系统设计与调试复杂度较高
- 需要同时兼顾准确性、稳定性、响应速度与成本,对工程权衡能力要求较高
角色解读
- 可向资深 AI Agent 工程师或大模型应用架构师发展,负责更复杂业务场景下的系统设计与技术选型
- 可横向扩展到 RAG 平台、智能知识库、搜索推荐、多模态检索或自动化评测体系等方向
- 长期可发展为 AI 平台技术负责人,主导模型、工具、知识、流程与业务系统之间的能力抽象和平台建设
- 负责 AI Agent 应用从设计到开发落地,把大模型能力接入具体业务场景,解决真实业务问题
- 构建知识库和 RAG 系统,包括文档解析、切分、Embedding、混合检索、重排和生成效果优化
- 设计 Agent Harness,处理上下文管理、工具调用、任务编排、状态管理和异常恢复等关键机制
- 搭建评测与监控体系,并推动公共能力平台化,让多个业务场景可以复用模型、工具、知识和流程能力
- 需要掌握 Python、Java 或 TypeScript 至少一种语言,并具备扎实的后端开发、模块设计和部署能力
- 需要理解 LLM 与 Agent 工作机制,熟悉工具调用、上下文管理、Workflow 编排和 Agent Harness 设计
- 需要掌握 RAG 全链路能力,包括文档处理、Embedding、混合检索、重排,以及 GraphRAG、Agentic RAG 等前沿方向
- 需要理解向量引擎和 ANN 检索原理,能在召回率、延迟和资源成本之间做合理技术权衡
申请策略
- 申请前了解携程业务场景中可能涉及旅行搜索、客服、内容推荐、知识问答等方向,准备如何把 Agent 能力映射到业务问题
- 面试中尽量用项目案例说明你如何平衡效果、延迟、稳定性和成本,而不是只罗列技术名词
- 突出你参与过的后端模块设计、接口抽象、部署上线和系统稳定性优化经历,体现工程落地能力
- 重点展示与 LLM、Agent、RAG、知识库、向量检索相关的项目,说明你在文档处理、检索、重排或生成评测中的具体贡献
- 如果有生产环境经验,写清楚系统规模、延迟、召回率、准确率、成本优化等结果指标
- 强调你在技术选型和架构权衡上的判断,例如模型推理与确定性代码边界、索引选择、成本控制等
- 补齐 RAG 全链路实验能力,建议使用常见向量数据库或检索引擎完成文档解析、切分、Embedding、混合检索和重排实验
- 加强 Agent 工程能力,练习工具调用、任务编排、上下文压缩、状态管理和异常恢复机制设计
面试指南
- 项目类问题按「业务背景—架构设计—关键难点—我的职责—量化结果—复盘改进」展开,突出真实落地细节
- 系统设计类问题按「需求澄清—核心链路—模块边界—关键指标—异常与降级—成本与扩展」回答,体现架构判断力
- 技术权衡类问题先说明约束条件,再比较方案优劣,最后给出适合业务场景的选择依据
- 请介绍一个你参与过的 Agent 或 RAG 系统,整体架构、核心模块和你负责的部分是什么?
- 如何设计一个 Agent Harness 的上下文管理、工具调用、任务编排和异常恢复机制?
- RAG 系统中文档切分、Embedding、混合检索和重排分别如何优化?如何评估效果?
- HNSW、IVF、PQ 等向量检索方法有什么差异?如何在召回率、延迟和资源成本之间取舍?
- 如何划分模型推理和确定性代码的职责边界,避免系统过度复杂或不可控?
职位点评
薪资福利78
成长发展88
工作生活50
使命价值72
薪资福利
78中等
JD 未披露薪资和福利信息,但从岗位技术门槛和上海研发岗位属性看,补偿性动机有一定满足空间。由于缺少明确薪资与福利条款,判断依据有限。
薪资信号未披露(AI估算:3.0千–5.5万/月)
成长发展
88较高
岗位覆盖 Agent、RAG、向量检索、评测监控和平台化建设,技术内容前沿且成长空间较大。JD 明确提到前沿技术和生产实战经验,适合希望深耕大模型应用工程的求职者。
技术前沿前沿/新兴技术
技术栈AI Agent、LLM、RAG、Agent Harness、GraphRAG、Agentic RAG、LLM Wiki、Embedding、混合检索、重排、HNSW、IVF、PQ、Prompt优化、自动化评测
业务类型ambiguous
工作生活
50较低
JD 仅明确地点为 Shanghai,未提及远程、弹性办公、双休或加班情况,生活化动机满足程度无法准确判断。
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
72中等
岗位聚焦大模型能力在业务场景中的落地和公共能力平台化,具有较强技术应用价值。JD 未明确表达社会使命或行业价值导向,意义感主要来自技术前沿性和业务落地。
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
携程 的其他在招职位
相似职位推荐
Industrial Engineering ES
德科斯米尔 · 沈阳市
AI 估算 · 1.8–3.0万1 小时前发布
AI Native 专家工程师
滴滴出行 · 北京市
AI 估算 · 5.0–8.0万2 小时前发布
资深软件开发工程师(配送引擎数据)
滴滴出行 · 北京市
AI 估算 · 3.5–6.0万2 小时前发布
Token Foundry-多模态生成模型算法专家-万相Wan
阿里巴巴 · 杭州市
AI 估算 · 6.0–12.0万2 小时前发布
安全AGI实验室-网络安全大模型算法
阿里巴巴 · 杭州市
AI 估算 · 8.0千–1.5万2 小时前发布
业务技术-大模型算法专家-直播AI
阿里巴巴 · 杭州市
AI 估算 · 5.0–9.0万2 小时前发布
AI Infra实习生-训练方向(研究型)
阿里巴巴 · 杭州市
AI 估算 · 8.0千–1.5万2 小时前发布
Senior AI Engineer
施耐德 · 北京市
AI 估算 · 3.0–5.5万4 小时前发布
Watch Jobs