声网
AI-Agent工程师
AI-Agent工程师
发布于 3 天前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
学历未注明
软件工程
Ai Agent
Llm
Mcp
可观测性
工具调用
异步编程
高可用
AI 估算 · 30k–50k
AI Agent核心工程岗位，技术要求高，市场竞争力强，在上海薪资水平较高。
职位详情
关于这个职位
该职位负责设计并开发面向实时对话场景的AI Agent系统，重点提升Agent的规划、工具使用、上下文理解能力和工程稳定性
你将参与建设可生产化的Agent编排系统、实时策略系统和高可用后端服务，并建立完善的可观测性与测试体系
核心开发语言为Python，熟悉Rust是加分项
最低要求
· 扎实的软件工程基本功，能写清晰，可维护，可测试的代码
· 熟悉 Python 后端开发，理解异步编程，任务队列，服务接口和状态管理
· 熟悉 LLM Agent 的基本模式，包括工具调用，任务规划，记忆，上下文管理和结果校验
· 理解 prompt，tool schema，function calling，MCP 或类似工具协议的工程实现
· 熟悉后端高可用设计，包括超时，重试，熔断，限流，降级，幂等，缓存和版本控制
· 熟悉 Linux，网络基础，日志，指标，链路追踪和服务部署
· 有强测试意识，能编写单元测试，集成测试和端到端测试
· 有良好的抽象能力，能把具体框架封装成可替换能力，而不是把业务绑死在某个工具上
· 习惯用数据验收效果，能定义指标，建立 baseline，并持续优化
工作职责
设计并实现 AI Agent 编排系统**
你需要设计 Agent 的核心运行机制，让它能够基于对话上下文，用户状态，业务事件和工具结果，完成任务规划，策略生成，工具调用和结果整合
工作内容包括：
· 设计 Agent 的执行流程
· 支持多模型，多策略，多版本的实验，灰度和回滚
· 把 Agent 从“能跑起来”推进到“能稳定服务真实用户”
建设实时对话场景下的策略系统**
实时对话的核心挑战是：系统既要更聪明，也不能变慢
你需要让 Agent 产出的策略能够不影响实时响应体验
工作内容包括：
· 与实时链路协同，确保新增能力不会明显增加用户感知延迟
建设云端高可用后端服务**
这个岗位需要把 Agent 能力做成云端服务，而不是本地脚本或实验项目
你需要关注服务的可靠性，扩展性和可运维性
工作内容包括：
· 设计 Agent 服务的后端架构，接口协议，状态管理和生命周期管理
· 支持异步任务，队列，缓存，RPC，HTTP，WebSocket 或其他合适的服务形态
· 处理服务重启，节点故障，网络抖动，依赖超时，模型服务异常等生产问题
· 建设限流，熔断，降级，幂等，灰度发布和快速回滚能力
· 支持多租户，资源隔离，容量规划和成本治理
· 与平台，算法，产品，SRE 等团队协作，把 Agent 能力稳定接入真实业务
建设可观测性，测试和回放体系**
Agent 系统不能只看“感觉变聪明了”
我们需要知道每一次策略为什么生效，每一次工具为什么被调用，每一次异常为什么被回退
工作内容包括：
· 建立 Agent 服务的日志，指标，链路追踪和告警体系
· 监控策略生成延迟，策略命中率，工具调用成功率，工具超时率，异常回退次数和实时链路影响
· 支持关键对话的 trace replay，能够复盘某次对话中系统做了什么判断，调用了哪些工具，为什么这样处理
· 建设单元测试，集成测试，端到端测试，回放测试和故障注入测试
· 用自动化测试和指标基线保障系统持续演进，而不是靠人工盯日志续命
优先资格
· 熟悉 Rust，能用 Rust 处理高性能，高可靠或安全边界相关模块
· 有 Conversational AI，语音助手，实时对话系统，RTC，流式处理或低延迟链路经验
· 熟悉 Kubernetes，Deployment，Service，Ingress，HPA，PDB，节点池和资源隔离
· 有 OpenTelemetry，Prometheus，Grafana，Loki，Jaeger 等可观测性体系经验
· 有主流 Agent 框架，Code Agent，Workflow Agent 或自动化任务系统经验
· 有 RAG，长期记忆，用户画像，向量数据库，知识检索或 memory manager 相关经验
· 有模型服务经验，熟悉多模型路由，模型网关，限流，成本控制和版本管理
· 有安全工程意识，理解 sandbox，权限最小化，tool policy，审计，prompt injection 和数据隔离
· 有复杂线上故障处理经验，能把故障复盘转化为代码，监控，测试和自动化机制
AI 洞察
优缺点分析
优点
- 处于AI Agent前沿赛道，技术积累价值高，行业需求持续增长
- 涉及全栈工程能力（后端、运维、测试、可观测性），技能树全面
- 公司已上市且规模大，业务稳定，能接触大规模实时场景
- 要求同时掌握Python、Rust、Kubernetes、可观测性等多领域技能，学习曲线陡峭
- 生产级Agent系统复杂度高，需处理多租户、资源隔离等运维问题
- 适合有扎实后端基础、对AI Agent有强烈兴趣、追求技术深度和工程卓越的工程师
缺点 / 挑战
- 对延迟敏感，需要平衡智能与性能，技术挑战大
角色解读
- 从AI Agent工程师向资深架构师或技术专家发展，主导Agent系统架构演进
- 可横向拓展至Conversational AI、实时系统或模型服务等前沿领域
- 随着Agent技术商业化，有机会转向技术管理或产品架构岗位
- 设计并实现AI Agent编排系统，规划Agent执行流程，支持多模型多策略实验与灰度回滚
- 建设实时对话策略系统，确保Agent决策不影响低延迟响应体验
- 开发云端高可用后端服务，处理服务重启、节点故障等生产问题，建设限流熔断等能力
- 搭建可观测性体系，包括日志、指标、链路追踪和告警，并建立回放测试与自动化测试
- 精通Python后端开发，熟悉异步编程、任务队列和服务接口
- 深入理解LLM Agent模式，包括工具调用、任务规划、记忆管理和结果校验
- 掌握高可用设计（超时、重试、熔断、限流等）和Kubernetes等云原生技术
- 具备强测试意识，能编写单元、集成、端到端及回放测试
申请策略
- 申请时突出对Agent生产化挑战的理解，而非仅关注模型调用
- 提前了解声网实时音视频业务，思考Agent与RTC结合的场景
- 突出Python后端高可用项目经验，尤其是异步编程、任务队列和微服务架构
- 展示LLM Agent相关实践（工具调用、Prompt工程、Agent框架）及量化成果
- 强调Kubernetes部署、可观测性体系搭建或故障处理的实际案例
- 若有Rust或实时系统经验，务必单独列出作为亮点
- 深入学习LangChain、CrewAI等Agent框架，并理解其内部机制
- 补充Kubernetes运维知识，如Service、HPA、Pod Disruption Budget
面试指南
- 采用分层设计：隔离Agent编排层、策略层、工具层、基础设施层，定义清晰接口，通过配置驱动模型切换与灰度
- 使用异步非阻塞IO和流式处理，配合缓存预加载和工具调用并行化，设置严格的超时熔断
- 故障处理遵循：快速恢复、根因分析、代码/监控/测试改进闭环
- 日志结构化，指标包括延迟、成功率、异常次数，Trace使用OpenTelemetry，Replay通过持久化对话轨迹实现
- 使用asyncio.wait_for设置超时，结合Retry decorator和指数退避，幂等性通过唯一请求ID保证
- 请设计一个支持多模型灰度发布的Agent编排系统架构
- 如何在不增加延迟的前提下让Agent调用多个工具？
- 描述一次你处理线上故障的经历，并说明如何避免再次发生
职位点评
68
综合评分
前沿AI Agent工程岗位，技术成长极快，薪资较高，但现场办公且WLB信号弱。
更适合这类人
最适合追求技术成长和前沿领域的高阶工程师，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展90
工作生活50
使命价值60
薪资福利
70中等
职位薪资处于市场较高水平，但未明确列出具体福利，补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
岗位涉及前沿AI Agent技术栈，工程挑战大，成长空间充足，发展性动机高度满足。
技术前沿前沿/新兴技术
技术栈Python、Rust、LLM、AI Agent、Kubernetes、OpenTelemetry、MCP
成长机会实验、灰度、持续演进
业务类型ambiguous
工作生活
50较低
要求仅现场办公，未提及弹性工作制，生活化动机满足度一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
AI Agent处于高速增长赛道，但职位本身未强调社会价值，意义感动机满足度中等。
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