AI Agent开发工程师-端侧智能体

优缺点分析

角色解读

• 在端侧Agent和AI应用方向深耕，成为技术专家或架构师
• 向大模型应用、智能体平台等更前沿领域发展，横向拓展技术广度
• 依托联想平台积累端侧智能体产品经验，可转岗至产品、架构或管理方向
• 负责端侧Agent智能体引擎的开发，实现会话管理、工具调用、任务规划及多轮上下文管理
• 搭建Agent工具网关，对接文件检索、设备控制、RAG知识库等内置工具
• 设计并实现本地RAG链路，包括文档解析、向量化检索、上下文召回及Prompt编排
• 对接LLM大模型，完成对话流程编排、输出解析、停止词控制及会话生命周期管理
• 熟练掌握Python、C++、Go中至少一种开发语言，具备后端或AI应用开发经验
• 深入理解大模型应用、Agent框架、Function Calling及RAG实现原理
• 熟悉向量数据库和本地知识库的使用，有端侧模型落地经验更佳
• 熟悉Linux开发环境，能够与推理层及后端团队协同联调

申请策略

• 提前了解联想的端侧智能体产品方向，在面试中展现对NAS场景的理解
• 准备一个端到端的Agent或RAG项目案例，清晰讲述架构设计和落地过程
• 重点突出大模型应用或Agent开发项目，尤其是Function Calling、RAG等实践经验
• 强调Python/C++/Go的实际编码能力，以及后端系统设计经验
• 如有NAS、端侧部署或私有云AI产品经历，需突出细节和成果
• 体现故障排查、性能优化和多任务并发处理能力
• 学习常见Agent框架（如LangChain、LlamaIndex）的实现原理和用法
• 动手搭建本地RAG项目，熟悉FAISS、Milvus等向量数据库的使用

面试指南

• 使用STAR法则：清晰地说明项目背景、目标、你的具体动作和量化结果
• 从原理出发：先解释底层机制，再结合实际场景谈权衡和优化方案
• 场景驱动：结合具体业务（如相册问答、设备控制）来展开设计思路
• 请介绍一个你使用Agent框架或Function Calling的项目，工具调用是如何设计的？
• 在本地RAG中，如何解决检索准确率低或召回不全的问题？
• 端侧设备资源有限，你会如何优化大模型推理延迟和端侧性能？
• 多个工具同时被调用时，如何管理Agent的任务规划和并发控制？
• 你认为端侧智能体在NAS场景中最大的挑战和机会是什么？