高德地图
高德-高级 AI 应用工程师-Agent研发专项
高德-高级 AI 应用工程师-Agent研发专项
发布于 3 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
软件工程
Autogen
Go
Langgraph
Multi-Agent
Rag
Llm Ops
AI 估算 · 30k–60k
高级AI工程师，北京大厂，Agent方向热门，薪资竞争力强。
职位详情
关于这个职位
该职位是高德地图核心的AI应用工程师岗位，专注于Agent研发
你将负责设计高性能的Agent编排引擎、多智能体协作框架，构建LLM Ops体系与数据闭环，并优化推理性能
这是一个技术前沿、挑战大的岗位，适合有扎实工程背景和Agent实战经验的工程师
最低要求
工程基础：计算机相关专业本科及以上学历，5年以上后端开发经验，精通Python/Go，熟悉分布式系统、高并发架构及云原生技术（K8s, Docker）
Agent 实战：具有从0到1构建生产级Agent系统的完整经历，熟练掌握LangChain, LangGraph, AutoGen, Semantic Kernel等主流框架，并能根据业务需求进行深度定制或自研核心模块
模型理解：深入理解Transformer架构及主流大模型（GPT-4, Claude, Llama, DeepSeek等）的特性差异，具备Prompt调优、Fine-tuning及RAG优化的实战经验
工具链掌握：重度使用过Cursor, Claude Code, Copilot等AI编程工具，具备高效的人机协作开发模式（Vibe Coding），能快速原型验证并落地复杂逻辑
数据敏感度：具备优秀的数据直觉，能够通过分析执行日志定位系统瓶颈，设计科学的数据标注与清洗方案
问题解决：擅长处理大模型特有的不确定性（如幻觉、死循环、上下文丢失），有成熟的兜底策略与容错机制设计经验
工作职责
Agent 编排与架构设计：设计并实现高性能的Agent编排引擎，支持复杂的任务分解、动态规划及多步推理
构建多智能体协作框架，定义通信协议、角色分工、冲突消解机制
落地高级设计模式如Reflection、Tool Use、Human-in-the-loop
LLM Ops 与系统优化：搭建完整的LLM Ops体系（模型部署、版本管理、灰度发布、监控与成本优化）
负责推理性能调优（Prompt Engineering、SFT/LoRA、量化、缓存策略）
构建可观测性平台实现Agent执行链路追踪
数据闭环与评测体系：设计自动化Agent评测框架，建立多维评估指标
构建数据-训练-评测闭环，利用用户反馈日志挖掘高质量微调数据
优化RAG pipeline（混合检索、Re-ranking、知识图谱融合）
基础设施与工具生态：开发标准化的工具接入层（MCP/Function Calling）
设计记忆系统（向量数据库+关系型存储）
探索容器化与隔离技术，基于Kubernetes实现海量并发Agent调度
优先资格
有 Multi-Agent 系统在复杂业务场景（如自动化运维、代码生成、数据分析）落地的成功案例
参与过开源Agent框架贡献，或在相关领域发表过技术文章/专利
熟悉强化学习（RLHF/RLAIF）在Agent对齐中的应用，或有相关项目经验
具备全栈开发能力，能独立构建包含前端交互、后端逻辑及模型服务的完整Demo
AI 洞察
优缺点分析
优点
- 处于AI最前沿的Agent赛道，技术天花板高
- 团队技术氛围浓厚，积累核心AI工程经验
- 需要持续跟进最新技术，学习曲线陡峭
缺点 / 挑战
- 大厂平台，资源丰富，有机会挑战海量用户场景
- 大模型不确定性带来大量攻关难题，工作压力较大
- 北京大厂通常工作强度较高，对WLB有一定影响
- 适合对AI Agent充满热情、有较强工程能力且乐于挑战不确定性的资深后端工程师
角色解读
- 成为Agent系统架构专家，主导核心AI基础设施
- 向技术Leader方向晋升，带领Agent研发团队
- 可横向拓展至AI产品、AI咨询等方向
- 设计Agent编排引擎，实现任务分解、动态规划和多步推理
- 构建多智能体协作框架，定义智能体通信与冲突解决机制
- 搭建LLM Ops体系，优化推理性能与成本，实现系统监控与追踪
- 开发评测框架与数据闭环，持续提升Agent能力
- 精通Python/Go，熟悉分布式系统和云原生技术
- 熟练使用LangChain、LangGraph等Agent框架，能深度定制
- 深入理解Transformer架构及主流大模型，有Prompt调优和RAG实战经验
- 具备数据敏感度，能通过日志分析定位系统瓶颈
申请策略
- 准备一套完整的Agent Demo，展示从设计到落地全流程
- 研究高德地图的业务场景，思考AI Agent如何提升用户体验
- 突出从0到1构建生产级Agent系统的项目经历，强调架构细节
- 展示对LangChain等框架的定制或自研经验
- 列举LLM优化案例（如Prompt调优、Fine-tuning、RAG效果提升）
- 提及开源贡献或技术文章，体现技术影响力
- 补充Multi-Agent协作理论及实践（如通信协议、冲突消解）
- 熟悉LLM Ops工具链（如LangSmith、MLflow等）
面试指南
- 使用STAR法则：描述场景、任务、行动、结果，突出技术细节和量化收益
- 结合具体案例，展示问题分析能力和兜底策略设计
- 请描述你从0到1构建一个Agent系统的经历，包括架构设计和遇到的挑战
- 如何解决大模型在Agent中产生的幻觉或死循环问题？
- 如何设计Multi-Agent协作框架来提升任务完成效率？
- 请谈谈对LLM Ops的理解，以及如何优化推理成本和延迟
- 如何评测Agent系统的性能？你会设计哪些指标？
- 准备1-2个完整的Agent项目案例，详述技术方案和难点攻克
职位点评
75
综合评分
核心AI Agent研发岗，前沿技术栈，薪资优厚，工作强度较大。
更适合这类人
适合追求技术成长和前沿经验，对WLB要求不高的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展95
工作生活50
使命价值70
薪资福利
85较高
该职位为高级岗位，大厂薪资福利优厚，市场竞争力强。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
95较高
核心AI技术方向，前沿技术栈，成长空间极大。
技术前沿前沿/新兴技术
技术栈LangChain、LangGraph、AutoGen、Multi-Agent、LLM Ops
业务类型profit_center
工作生活
50较低
北京大厂通常工作强度高，JD未明确WLB，需做好加班准备。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
高德地图服务出行场景，有一定社会价值，但Agent研发偏技术驱动。
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