智能体工程师-AI Agent Engineer(J20082)

优缺点分析

角色解读

• 从AI Agent工程师发展为AI平台架构师，负责企业级AI基础设施的整体设计
• 深入半导体行业业务，成为懂业务+懂AI的复合型专家，向技术管理或解决方案专家方向发展
• 随着AI在企业落地深化，有机会带领团队推进更多智能化场景，成为AI研发负责人
• 设计和开发AI Agent平台，包括Workflow编排、Tool Calling、Memory管理、RAG等核心模块，支撑半导体制造场景的智能化应用
• 深入理解生产线IT系统（如MES/CIM、CMDB、监控平台），将AI能力与业务系统集成，实现故障分析、根因定位、流程自动化等具体功能
• 使用Python等语言开发后端服务，进行系统集成和API对接，并参与容器化、CI/CD等工程化建设
• 持续优化Prompt、Agent评估机制和可观测性，提升AI系统的准确率和稳定性
• 熟悉LLM应用技术栈：Prompt Engineering、RAG、Vector Database、Embedding等，能够设计高效的Agent推理流程
• 掌握至少一种Agent框架（LangGraph、LangChain、AutoGen），理解Multi-Agent协作和Workflow编排原理
• 扎实的Python后端能力，熟悉FastAPI、RESTful API、SQL、Linux、Docker、Git，有Kubernetes/CI/CD经验更佳
• 良好的问题拆解和逻辑分析能力，能快速理解业务需求并将AI技术落地到实际生产系统

申请策略

• 了解长鑫存储的业务和该部门的定位，在面试中展现对半导体+AI结合的兴趣
• 由于是社招，强调解决复杂问题的能力和Owner意识
• 突出个人主导或参与的AI项目从PoC到Production的完整经历，强调落地成果和量化指标
• 重点展示Agent框架（LangChain等）、RAG、Prompt优化等具体技术实现细节
• 如果有Kubernetes、CI/CD等工程化经验，一定要写出来，这是加分项
• 如果有半导体或制造业IT背景，请特别强调，非常契合
• 如果对Agent框架不熟，可以快速学习LangGraph或LangChain，并动手做一个简单Agent Demo
• 熟悉RAG和向量数据库的典型用法，了解如何评估Agent效果

面试指南

• 回答问题项目经历时，使用STAR法则：情境-任务-行动-结果，突出个人贡献和技术决策
• 对于技术设计类问题，先拆解需求，再给出整体流程图，分模块讨论关键点
• 对未知领域，展示学习能力和思维过程，比如先理解业务，再映射到AI能力
• 请介绍一个你主导的AI Agent或类似项目，如何设计整体架构？
• 在构建RAG系统时，如何处理文档切分和检索质量的问题？
• 你如何评估Agent回答的准确性？有哪些评估指标？
• 如果在生产环境中Agent调用Tool失败，你会如何设计容错机制？
• 你了解半导体CIM/MES系统吗？如果让你在这种场景设计故障自动分析Agent，你会怎么考虑？