Agent应用开发工程师

优缺点分析

角色解读

• 从Agent应用开发向AI架构师方向发展，主导复杂智能体系统设计
• 深入LLM底层技术，转向算法或平台研发，成为跨领域技术专家
• 积累业务理解能力，向AI产品技术负责人或技术管理岗位晋升
• 参与司机助手、经营助手等核心智能体的架构设计与演进，推动AI Agent在真实业务中规模化落地
• 解决智能体的记忆与状态管理问题，结合向量数据库实现长期记忆和上下文压缩
• 建设大模型工具调用与能力扩展体系，支持多模态与外部API接入，实现工具标准化
• 构建AI应用数据飞轮，涵盖case管理、标注平台、模型评测与反馈，推动模型持续迭代
• 精通Python或Go，具备扎实的数据结构、算法和系统设计能力，能独立完成模块级架构设计
• 熟悉主流Agent框架和MultiAgent架构，有Agent效果调优和性能优化实践经验
• 了解向量数据库、上下文压缩、工具调用等LLM应用关键技术
• 具备良好的技术视野，持续关注LLM/Agent前沿论文和开源社区

申请策略

• 提前了解滴滴的业务场景和MPT部门的定位，准备针对性的回答
• 面试中可展示对Agent架构的个人思考和优化思路，体现解决问题的能力
• 突出Agent开发经验，尤其是MultiAgent系统或复杂AI产品的落地案例
• 展示Python/Go的深厚功底，强调系统架构设计和性能优化方面的项目
• 如有开源贡献、技术博客或个人Prompt库，务必列出以体现技术热情
• 具体描述在数据飞轮、工具调用或向量数据库方面的实践
• 深入掌握主流Agent框架（如LangChain、AutoGen等），了解MultiAgent协作机制
• 补充向量数据库（如Milvus、Faiss）和上下文工程知识

面试指南

• 先明确业务目标和约束，再设计技术方案
• 例如"记忆"问题，可对比向量数据库和结构化存储的适用性
• 回答项目经历时，遵循STAR法则：背景-任务-行动-结果，突出个人贡献和量化效果
• 对于技术选型题，从性能、成本、可维护性等多角度比较，体现系统思维
• 如何设计一个具备长期记忆的Agent系统？选择哪些存储方案？
• 解释MultiAgent架构的优缺点，并描述一个你设计或参与的多Agent场景
• 在Agent开发中，如何优化工具调用的性能和成本？
• 如何构建数据飞轮来持续提升模型效果？你有哪些实践经验？