滴滴出行
后端工程师 - AI Agent 方向（自动驾驶工具链）
后端工程师 - AI Agent 方向（自动驾驶工具链）
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后端开发
后端开发
Agent平台
Go
Llm微调
Rag
分布式系统
微服务
值不值得投
72综合评分
综合评分 72
聚焦AI Agent前沿技术、薪资潜力高、技术成长快，但WLB未明确且工作强度可能较大
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
比后端开发中位数高
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 2320 个在招 · 其中后端开发 约 130 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
负责滴滴AI部门后端研发，聚焦自动驾驶工具链中的AI Agent平台构建
需设计任务规划、RAG及多智能体编排等核心引擎，并在仿真与数据场景中落地
同时承担LLM微调全链路工程与K8s云原生服务搭建，保障系统高可用与高效执行
最低要求
本科及以上，计算机 / AI 相关，5 年左右后端研发经验
有 Agent 平台 0-1 主导 / 核心参与经验 + Agent 线上落地经验 + LLM 微调全链路实操经验
熟练 Go/Python 其一，扎实分布式后端功底
熟悉 Agent 基础理论、RAG、Function Calling、多智能体编排，熟悉主流 Agent 框架
熟悉 K8s、Docker、微服务、高性能服务开发，熟悉数据库、缓存设计优化
强工程落地能力，擅长处理大模型不确定性带来的系统可靠性问题，良好跨团队协作
工作职责
设计开发 Agent 平台核心引擎：任务规划、工具编排、记忆、RAG、状态管理、执行调度、评测闭环，支撑多场景 Agent 复用
在自动驾驶仿真、数据、算法调优场景落地 Agent，解决长任务稳定性、幻觉、异常恢复等落地难题，建设生产可用的智能工作流
负责 LLM 微调全链路工程：数据治理、SFT/LoRA 微调、推理部署、版本管理、垂类效果迭代
基于 K8s 云原生底座，搭建 Agent 与模型弹性服务，对接仿真、数据、可视化等现有工具链
搭建 Agent 指标体系、监控、灰度机制，持续优化平台稳定性与执行效率，沉淀组件与规范
AI 洞察
优缺点分析
优点
- 聚焦AI Agent与LLM微调等前沿技术栈，技术视野开阔，个人硬实力提升迅速
- 依托滴滴出行庞大的自动驾驶业务场景，拥有真实、高价值的落地数据与实验环境
- 参与核心工具链建设，项目成果直接赋能业务，技术影响力与行业认可度高
- 大模型不确定性带来的系统可靠性问题复杂度高，需具备极强的工程排错与架构设计能力
- 适合具备扎实后端功底、对AI前沿技术充满热情，且能在高复杂度系统中独立攻坚的资深工程师
缺点 / 挑战
- Agent平台从0到1建设周期长，需兼顾理论创新与生产环境稳定性，研发压力较大
- 跨团队协作频繁，需协调算法、数据、仿真等多团队资源，沟通与项目管理成本较高
角色解读
- 向AI基础设施架构师或大模型系统工程专家方向发展，深耕Agent与LLM底层技术
- 积累自动驾驶垂直领域AI落地经验，转型为AI+汽车行业的复合型技术负责人
- 通过主导0-1平台建设与全链路工程实践，逐步迈向高级技术管理或首席工程师路径
- 负责AI Agent平台核心引擎的设计与开发，包括任务规划、RAG检索增强及多智能体编排
- 将Agent技术落地于自动驾驶仿真与数据调优场景，解决长任务稳定性与幻觉问题
- 搭建LLM微调全链路工程与K8s云原生服务，实现模型的高效推理部署与弹性扩缩容
- 精通Go或Python语言，具备扎实的分布式后端架构设计与高性能服务开发能力
- 深入理解Agent基础理论、RAG、Function Calling及主流Agent框架原理
- 熟练掌握K8s、Docker、微服务架构及数据库缓存优化，具备云原生基础设施搭建经验
申请策略
- 提前研究滴滴自动驾驶业务线与技术博客，了解其Agent在仿真与数据流转中的实际痛点
- 准备1-2个完整的AI工程化落地案例，重点阐述如何解决大模型在实际生产中的稳定性问题
- 突出Agent平台或大模型相关项目的0-1主导经验，量化系统性能提升与落地效果
- 详细展示LLM微调全链路实操经历，包括数据治理、SFT/LoRA策略及推理部署优化
- 强调分布式后端与云原生架构能力，列举K8s、微服务及高并发场景下的实战案例
- 深化RAG架构设计与多智能体协同编排原理，跟进LangChain、AutoGen等主流框架源码
- 加强大模型推理加速与显存优化技术学习，掌握vLLM、TensorRT-LLM等部署工具
- 提升系统可观测性与混沌工程实践能力，完善监控告警与自动化测试体系建设
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出技术选型依据与量化产出
- 针对系统设计题，先厘清核心矛盾（如延迟vs准确率），再分层阐述架构方案与容错机制
- 结合业务场景说明技术落地难点，强调工程化思维与跨团队协同解决问题的过程
- 请分享一个你主导的Agent平台或大模型应用项目，你是如何设计任务规划与状态管理的？
- 在LLM微调全链路中，如何处理数据质量参差不齐的问题？SFT与LoRA的选择依据是什么？
- 面对大模型输出幻觉或长任务中断，你会从哪些维度设计异常恢复与评测闭环机制？
- 如何在K8s环境下实现模型服务的弹性伸缩与高可用部署？遇到过哪些性能瓶颈？
- 复习分布式系统核心概念（一致性、可用性、分区容错性）及微服务治理最佳实践
职位点评
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利
75中等
该职位薪资水平处于市场中上，但未在JD中明确披露具体范围，福利条款也未详细列出，整体补偿性满足度中等偏上。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
85较高
岗位聚焦AI Agent与LLM微调等前沿技术栈，技术成长空间大，但JD未明确提及内部培训或晋升通道，发展性满足度较高。
技术前沿前沿/新兴技术
技术栈Agent平台、RAG、LLM微调、SFT、LoRA、Kubernetes、微服务
业务类型ambiguous
工作生活
50较低
JD未提及弹性工时或远程办公安排，互联网大厂通常节奏较快，工作生活平衡方面存在一定挑战，满足度一般。
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
70中等
自动驾驶工具链属于交通科技前沿领域，对提升出行安全与效率具有积极意义，行业前景广阔，意义感动机满足度较高。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs