全栈agent工程师

优缺点分析

角色解读

• 可在金融 Agent/RAG 工程化方向持续深耕，成长为 AI 应用架构师或 Agent 平台技术负责人
• 通过风控、交易、数据平台等复杂业务落地，积累高可靠 AI 系统与全栈交付经验
• 后续可横向拓展至大模型平台、智能体产品化或金融科技解决方案等方向
• 负责金融业务场景下 Agent 系统的端到端架构设计与核心开发，覆盖任务规划、工具调用、多 Agent 编排、记忆管理和执行引擎
• 基于 LangChain、LangGraph、LlamaIndex 等框架搭建 Agent 工作流，实现工具注册、路由分发、状态持久化和长链任务可靠性
• 推进 RAG 工程化，包括向量数据库选型、混合检索、重排序和内容溯源，并建立评测与可观测体系
• 独立完成前端对话交互、任务看板与后端 API、数据库、消息队列、微服务开发，把 Agent 能力集成到风控、交易、数据平台等系统
• 精通 Python，并掌握 TypeScript、Java、Go 中至少一种语言，能独立完成 React/Vue/Next.js 与 FastAPI/Spring Boot/Node.js 全栈交付
• 深入理解 Agent 技术栈，包括 ReAct、Plan-and-Execute、Function Calling、MCP 协议和多 Agent 协作机制
• 具备 LangChain、LangGraph、LlamaIndex、AutoGen、CrewAI 中至少一种框架的实际项目经验
• 熟悉数据库、缓存、消息队列、微服务等分布式系统基础，有高可用、高并发设计意识，并能控制 RAG 幻觉风险

申请策略

• 投递前了解中国平安在金融科技、风控和交易场景的 AI 应用方向，面试中体现业务理解
• 主动与 HR 确认具体办公地点、团队归属、办公模式和加班情况，避免信息不对称
• 突出 Python 及至少一种后端语言的工程经验，展示独立完成前后端全链路交付的项目
• 重点写明 LangChain/LangGraph/LlamaIndex 等框架的 Agent 项目，量化任务完成率、工具调用准确率或上线效果
• 展示 RAG 工程化经验，包括向量数据库选型、混合检索、重排序、内容溯源和幻觉控制
• 如有金融科技、支付、风控、资管或银行系统背景，应在简历中前置说明
• 补齐多 Agent 协作、MCP 协议、Function Calling 和 Plan-and-Execute 等 Agent 核心技术
• 准备一个生产级 Agent 或 RAG 项目案例，覆盖评测指标、可观测性、降级策略和成本优化

面试指南

• 用“业务背景—技术方案—关键难点—量化结果”的结构讲项目，突出个人负责部分
• 面对 Agent/RAG 设计题，先明确业务约束与风险，再分层说明架构、评测、兜底和迭代机制
• 面对全栈与分布式问题，结合具体故障或优化案例，说明取舍、监控指标和最终效果
• 请介绍一个你主导或深度参与的 Agent 系统，如何做任务规划、工具调用和多 Agent 编排？
• 在金融场景下，你如何设计 RAG 链路控制幻觉？向量数据库、混合检索和重排序如何选型？
• 如何建立 Agent 评测与可观测体系？你会关注哪些指标，如何处理工具调用失败和安全兜底？
• 你如何独立完成前端对话界面与后端微服务的全链路开发？遇到过哪些高并发或高可用问题？
• 请说明你对 MCP、Function Calling、ReAct 和 Plan-and-Execute 的理解及实际使用经验