智能体开发工程师-AI Agent Engineer(J20735)

优缺点分析

角色解读

• 技术专家路线：深入LLM Agent与特定领域（如半导体EDA）结合，成为该交叉领域的顶尖技术专家
• 架构师路线：负责更复杂的多智能体系统架构设计，或主导内部AI平台化建设
• 技术管理路线：带领小型技术团队，负责智能体平台的整体技术规划与落地
• 设计与开发半导体建模领域的专用AI智能体（Agent），实现从数据处理到模型交付的全流程自动化
• 将领域专家的算法、脚本和知识封装成可调用的工具集，并编排多个智能体协同工作
• 开发用于仿真数据管理和任务调度的Web平台，支持团队协作与结果可视化
• 利用RAG技术构建领域知识库，持续提升智能体决策的准确性和可靠性
• 扎实的Python后端开发能力，熟悉FastAPI等主流框架及数据库、缓存、任务队列等基础组件
• 深入的LLM Agent工程化经验，能够熟练应用Function Calling、ReAct、RAG等技术设计复杂工作流
• 优秀的工程化与系统设计能力，能将复杂的领域流程转化为稳定、可扩展的软件系统
• 出色的跨学科沟通协作能力，能将非计算机领域的专家知识有效转化为技术方案

申请策略

• 在简历或求职信中，明确表达你对“AI赋能实体产业”或“科学计算智能化”方向的兴趣，这与岗位价值高度契合
• 申请前，可以简单搜索一下“SPICE建模”、“TCAD”等关键词，对领域有初步认知，面试时能更好地提出问题和展现思考
• 重点突出使用Python开发的、涉及LLM Agent、RAG或复杂工作流编排的项目经验，最好有从0到1或端到端落地的案例
• 展示对FastAPI/Django等Web框架的实际应用，以及PostgreSQL、Redis、Celery等后端基础设施的熟练度
• 如有任何涉及仿真、建模、数据分析或与硬件/电子领域交叉的项目经验，应单独列出
• 可以系统学习或深入研究LLM Agent的最新技术范式（如Function Calling、Tool Use、Multi-Agent框架），并动手实践
• 了解半导体器件建模（SPICE模型）的基础知识，这能帮助你在面试中更快理解业务场景，展现你的学习意愿
• 复习和巩固分布式系统、任务调度、异步编程等后端工程化知识

面试指南

• 技术问题回答：采用“背景-目标-方案-实施-效果-反思”的结构，重点突出你的技术选型依据和解决具体问题的思路
• 场景设计问题回答：从需求分析、核心难点识别、技术方案（包括数据流、状态管理、异常处理）到评估验证，系统化地阐述你的设计
• 跨领域学习问题回答：展现你主动学习的计划（如查阅资料、请教专家、拆解问题）和迁移已有经验（将软件工程方法论应用于领域问题）的能力
• 请描述一个你设计过的最复杂的LLM Agent工作流，你是如何处理多步骤、多工具调用和错误恢复的？
• 如果将一个复杂的专家经验（例如参数拟合）封装成Agent工具，你会考虑哪些关键点？如何确保封装后的工具稳定可靠？
• 在开发仿真数据管理平台时，你如何设计数据库表结构来管理测试数据、仿真任务和结果之间的关系？
• 你如何评估一个LLM Agent系统的性能和效果？会关注哪些指标？
• 你完全没有半导体建模背景，打算如何快速学习并开展工作？