美图
Agent算法工程师 - 厦门 / Algorithm Engineer – Xiamen
Agent算法工程师 - 厦门 / Algorithm Engineer – Xiamen
发布于 2 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
Ai Agent
Comfyui
Llm
Mcp
Prompt Engineering
Rag
高并发架构
值不值得投
薪资怎么样
3.5万
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 250 个在招 · 其中人工智能 2 个
市场机会
选择不多
厦门 · 人工智能 · 3 个在招
职位详情
关于这个职位
美图正在把大语言模型的推理与执行能力嵌入真实业务流，让影像创作、内容生产等场景由 AI Agent 更自主地驱动
该岗位负责 AI Agent 应用的整体架构设计与核心模块实现，保障系统在千万用户量级下高并发、高可用地稳定运行，并与产品、算法、前端紧密协作，把用户场景落地为完整的 AI 交互体验
最低要求
· 3 年以上后端开发经验，有 AI Agent 项目的实际交付经历，曾将真实的 AI Agent 或 LLM 应用推上生产环境
· 精通 Python，熟悉主流 Web 服务框架，对高并发、高可用系统的设计和实现有扎实体感
· 熟悉主流的 Agent 框架与架构，对 RAG、Function Calling、MCP 协议等相关技术有深入理解和实践经验，能讨论不同编排方案的取舍
· 清楚 LLM 的基本原理，能熟练使用 Prompt Engineering 来解决工程问题，而不只是调用 API
· 习惯在标准的团队协作流程里工作（版本控制、代码评审、CI/CD），沟通清晰，能务实推动问题闭环，并持续更新自己的技术认知
工作职责
· 主导 AI Agent 应用的整体架构设计与核心模块实现，让 Agent 具备可靠的规划、工具调用与自主执行能力
· 持续打磨系统性能与稳定性，在高并发、高可用的目标下落地具体优化方案
· 与产品、算法和前端同学紧密协作，把用户场景从想法变成链路完整、体验细腻的 AI 交互体验
· 端到端负责从请求流经函数调用到最终用户看到输出的全链路，涵盖系统设计、模块实现与性能调优
· 基于 RAG、Function Calling 与协议驱动的交互方式，将 LLM 与真实世界工具连接，并把原型打磨为可上线的生产级服务
· 优化端到端流水线：降低高负载下的延迟、提升工具执行的可靠性，确保 Agent 在大规模下行为可预测
· 持续跟进 Agent 生态：试验新框架、参与评测基准建设，并与团队分享所学
优先资格
· 有 Dify、ComfyUI 或其他 AI 工作流编排框架的实战经验
· 对影像处理、多模态内容生成有天然的好奇心，喜欢用技术创造好玩或好用的东西
· 在 LLM 或 Agent 领域有开源项目贡献
· 熟悉云环境下的基础设施工具（容器化、可观测性）
AI 洞察
优缺点分析
优点
- 方向处于大模型应用落地前沿，Agent 架构、MCP、RAG 等技能具有较强迁移性和市场稀缺度
- 业务面向千万级真实用户，能积累高并发、高可用系统的一线实战经验，而非停留在 demo
- 团队强调把 Agent 当作系统工程来做，涉及架构设计、性能调优、评测基准等完整链路，成长密度高
- 影像与多模态生成场景本身有趣，容易做出可感知、可展示的成果
- 既要懂后端工程又要懂 LLM 原理，对复合能力要求高，需要同时兼顾架构设计与细节实现
- 千万级用户场景下对稳定性与延迟的要求严格，问题排查与调优难度较大
- 适合有 3 年以上后端经验、已交付过 LLM/Agent 生产项目，既爱琢磨架构又愿意紧跟前沿技术演进的同学
缺点 / 挑战
- AI Agent 领域技术迭代快，需要持续跟进新框架与协议，学习压力不小
角色解读
- 可沿技术纵深成长为 AI Agent 系统架构师或平台技术负责人，主导更大规模的 Agent 基础设施
- 也可横向拓展至多模态生成、影像处理算法方向，结合业务场景形成复合能力
- 具备生产级 Agent 落地经验后，在 AI 应用工程领域的人才市场上具备较强议价能力
- 负责 AI Agent 应用的整体架构设计与核心模块实现，让 Agent 具备可靠的规划、工具调用与自主执行能力
- 把 LLM 与真实工具通过 RAG、Function Calling、MCP 连接起来，并从原型打磨为可上线的生产级服务
- 在高并发、高可用目标下优化端到端链路，降低延迟、提升工具执行可靠性，保障千万级用户量下稳定运转
- 与产品、算法、前端协作，把影像创作与内容生产场景转化为链路完整的 AI 交互体验
- 扎实的 Python 与主流 Web 框架功底，理解高并发、高可用系统的设计与实现模式
- 对主流 Agent 架构（RAG、Function Calling、MCP、工作流编排）有深入理解，能权衡不同编排方案
- 掌握 LLM 基本原理，能用 Prompt Engineering 解决实际工程问题而非简单调 API
- 熟悉版本控制、代码评审、CI/CD 等标准工程流程，具备清晰的跨职能沟通能力
申请策略
- 提前了解美图在影像与多模态生成方向的产品线，思考 Agent 能力可以嵌入哪些具体场景
- 关注团队对「把 Agent 当作系统而非黑盒」的表述，在沟通中展现工程化、可运维的思维习惯
- 突出你实际交付并上线的 AI Agent 或 LLM 应用项目，写清业务场景、你负责的模块与量级数据
- 量化后端系统的高并发与高可用成果，例如 QPS、可用性指标、延迟优化幅度、故障处理案例
- 列明 RAG、Function Calling、MCP、Prompt Engineering 的具体实践细节，避免只写技术名词
- 如有开源贡献或 Dify、ComfyUI 等编排框架的实战经验，单独成条强调
- 系统梳理 Agent 编排方案（ReAct、Plan-and-Execute、工作流编排）的取舍逻辑，准备能讲清设计权衡的案例
- 补强 LLM 评测与可观测性能力，熟悉容器化、日志与链路追踪在 Agent 服务中的落地方式
面试指南
- 项目类问题用「背景—目标—方案取舍—结果指标」四段式回答，重点讲清你个人的决策与贡献
- 架构类问题先讲整体分层与关键链路，再讲容错、限流、降级、可观测性等具体手段
- 技术选型类问题对比多个方案的优劣，说明在什么约束下选择哪种，体现权衡思维而非站队
- 请介绍一个你实际交付的 AI Agent 项目，它的架构是怎样的，遇到的最大难点是什么？
- 如何设计一个支持高并发、高可用的 Agent 服务？工具调用失败或超时你如何处理？
- 在 RAG、Function Calling 与 MCP 之间，你如何做技术选型和编排方案的取舍？
- 你是如何做 Prompt Engineering 的？能否举例说明它如何解决一个具体工程问题？
- 如果 Agent 在千万级用户场景下出现行为不稳定，你会怎样定位和优化？
美图 的其他在招职位
相似职位推荐
Watch Jobs