天猫
业务技术-AI Agent 核心应用开发工程师-杭州
业务技术-AI Agent 核心应用开发工程师-杭州
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Langgraph
Prompt Engineering
Rag
向量数据库
自动化评测
值不值得投
59综合评分
综合评分 59
聚焦AI Agent应用落地，技术栈前沿且实战性强，成长空间大但WLB与薪酬细节未明确
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.7万
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 110 个在招 · 其中人工智能 3 个
市场机会
选择面较广
杭州 · 人工智能 · 约 460 个在招
职位详情
关于这个职位
该职位主要负责AI Agent应用的工作流设计与开发，集成企业内部及第三方工具接口
同时需搭建应用级评测基座，通过Prompt调优与全链路监控，保障智能体在复杂业务场景中的稳定运行与持续迭代
最低要求
应用开发能力：精通 Python 或 Node.js，有扎实的 Web 开发基础（如 FastAPI、Express），能够熟练进行 API 的设计、组装与调用
主流 Agent 框架实战：熟练掌握 LangGraph, AutoGen, LlamaIndex, Dify 或 Flowise 等至少一种主流 Agent/工作流开发框架，有实际落地的 Agent 项目经验
数据与 RAG 经验：熟悉向量数据库（如 Milvus, Pinecone, Chroma）的基本使用，掌握基础的 RAG（检索增强生成）优化技巧（如 Chunk 划分、混合检索、重排 Rerank）
敏捷的评测意识：理解软件测试的基本概念，能够根据业务目标编写自动化评测脚本，善于利用数据指标（而不仅凭直觉）来优化 Agent 的表现
业务理解与交付能力：具备极强的业务逻辑梳理能力，能将复杂的业务流程（如财务审批、自动客服、数据报表分析）翻译成 Agent 的标准操作程序（SOP）
工作职责
工作流设计与开发：利用主流 AI 框架设计高可用的 Agent 应用工作流（Workflow），实现多 Agent 协同、意图识别、复杂任务拆解（Planning）等上层应用逻辑
连接器与工具集成：快速对接企业内部 API、数据库、知识库（RAG）以及第三方工具（如钉钉、飞书、企业微信等），为 Agent 组装和赋予高效执行业务任务的“双手”（Tool Use）
应用级评测基座（Harness）搭建：构建面向业务场景的 Agent 效果评测与回归测试集，通过自动化脚本或框架模拟真实用户输入，对 Agent 的任务成功率、响应耗时、工具调用准确率进行定量评估
Prompt 工程与调优：深入理解业务，针对特定场景进行系统级 Prompt / System Prompt 优化，提升大模型在复杂、多步骤任务中的稳定性和对规范的遵循度
行为追踪与可观测性：引入全链路监控工具，捕获 Agent 的运行轨迹（Trajectory）、中间思考过程与报错，快速迭代和修复 Agent 在业务实际运行中的“翻车”场景
AI 洞察
优缺点分析
优点
- 聚焦AI Agent前沿应用层，技术栈贴近行业最新趋势，个人技术壁垒高
- 直接参与核心业务场景落地，成果可见性强，易于积累高质量项目案例
- 接触全链路研发流程（开发-集成-评测-监控），综合能力提升空间大
- Agent稳定性与幻觉问题在实际业务中难以完全规避，调试与压测工作量大
- 需频繁跨部门对齐业务需求，对沟通协调能力与业务翻译能力要求极高
- 技术迭代极快，需保持高强度学习以跟进新框架、新模型与最佳实践
- 适合具备扎实编程基础、对大模型应用落地有热情、且喜欢解决复杂业务问题的中高级开发者
缺点 / 挑战
暂无明显挑战项
角色解读
- 向AI应用架构师或大模型平台工程师方向发展，主导企业级Agent基础设施搭建
- 深入垂直业务领域，转型为懂技术又懂业务的复合型产品技术负责人
- 跟进大模型技术演进，探索多模态Agent与自主决策系统的下一代技术路径
- 负责AI Agent应用的工作流架构设计与代码开发，实现多智能体协同与复杂任务拆解
- 对接企业内部API、数据库及第三方工具，为Agent赋予执行实际业务操作的权限与能力
- 搭建自动化评测体系，通过数据指标量化评估Agent表现，并持续进行Prompt调优与故障排查
- 精通Python或Node.js及Web开发框架，具备扎实的API设计与系统集成能力
- 熟练掌握LangGraph、AutoGen或Dify等主流Agent框架，并有实际项目落地经验
- 熟悉向量数据库与RAG技术栈，能独立完成检索优化与数据管道搭建
- 具备敏捷测试思维与业务抽象能力，能将复杂流程转化为标准化SOP
申请策略
- 提前研究目标公司的业务场景，准备1-2个针对该场景的Agent设计方案
- 面试中强调数据驱动优化的思维，避免仅停留在“调参”层面
- 突出Agent/RAG相关项目的完整闭环经历，重点描述解决的问题与技术选型依据
- 量化评测指标优化成果（如任务成功率提升X%、响应耗时降低Y%）
- 展示将模糊业务需求转化为标准化SOP与自动化流程的实际案例
- 强化LangGraph/Dify等框架的深度源码阅读与自定义节点开发能力
- 补充向量检索优化策略（如HyDE、多路召回、重排序模型）的工程实践经验
- 学习可观测性工具（如LangSmith、Arize、OpenTelemetry）的接入与数据分析
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出技术决策背后的权衡
- 围绕“数据收集-指标定义-自动化执行-结果分析-迭代闭环”构建评测方案逻辑
- 结合具体工具链演示监控埋点设计，强调可追溯性与故障定位效率
- 请分享一个你落地过的Agent项目，你是如何设计工作流并处理异常分支的？
- 面对RAG检索不准的问题，你会从哪些维度进行排查与优化？
- 如何设计一套自动化评测体系来衡量Agent在多步任务中的表现？
- 当Agent出现严重“翻车”时，你的全链路监控与快速回滚机制是怎样的？
- 复习主流Agent框架的核心组件与扩展机制，准备手写关键代码片段
职位点评
薪资福利55
成长发展78
工作生活45
使命价值50
薪资福利
55较低
JD未明确提及具体薪资范围、福利政策或发放结构，补偿性动机满足程度暂无法评估。
薪资信号未披露（AI估算：2.8千–4.5万/月）
成长发展
78中等
JD明确要求掌握前沿Agent框架与RAG技术，并强调自动化评测与业务抽象能力，技术成长与能力拓展空间较大。
技术前沿前沿/新兴技术
技术栈LangGraph、AutoGen、LlamaIndex、Dify、Flowise、RAG、Prompt Engineering、向量数据库
业务类型ambiguous
工作生活
45较低
JD未提及办公模式、工时安排或加班政策，生活化动机满足程度缺乏明确依据。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
50较低
JD侧重于技术实现与业务提效，未明确强调社会价值或使命导向，意义感动机满足程度中等。
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