Trip.com logo
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

AI 估算 · 3.0–5.5万 · AI 参考估算
中级经验
学历未注明
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
Watch Jobs