快手
【留用实习】大模型 AI Agent 开发工程师
【留用实习】大模型 AI Agent 开发工程师
发布于 大约 20 小时前实习/见习
杭州市
无经验要求
实习生
仅现场办公
本科
RAG
LLM
AutoGPT
Openclaw
AI 估算 · 6k–9k
大厂AI实习薪资较高，杭州生活成本适中，考虑留用机会
职位详情
关于这个职位
这是快手大模型AI Agent开发工程师的留用实习岗位，你将参与构建智能体核心运行时，包括任务规划、工具调用等关键模块，并推动Agent技术在电商、直播等业务场景的落地
适合对LLM、Agent、RAG有浓厚兴趣，具备扎实编程功底的同学，实习表现优秀有转正机会
最低要求
本科及以上学历，计算机相关专业，有扎实的计算机基础知识以及 Java 或 Python 编程功底
对大模型、Agent、RAG 等方向有较强兴趣，理解 LLM 的基本原理、上下文机制、Prompt 作用方式及常见能力边界
有强烈的好奇心，对前沿技术充满热情，具有良好的沟通能力、学习能力和团队合作精神
工作职责
参与 Agent 核心运行时的各项能力建设，包括任务规划、工具调用、记忆管理、多智能体协同等关键模块
参与 OpenClaw 等开源 Agent 产品在快手内部的工程化落地与能力增强，包括电商、直播、短视频等业务场景
参与 Agent 系统的可观测、评测、稳定性与部署体系建设，提升复杂 AI 系统的线上可用性
跟踪并验证前沿 Agent / AI Infra 技术演进，推动从技术探索到业务落地的闭环
优先资格
有 LangChain、LlamaIndex、LangGraph、AutoGen、CrewAI 等 Agent 框架实战经验
理解 ReAct、CoT、ToT、Reflection、Multi-Agent 等常见 Agent 推理与协作模式
有 RAG 系统开发经验，熟悉向量检索、重排序、Hybrid Search、知识库构建等能力
熟悉 Docker、Kubernetes、服务化开发或 AI 系统部署运维，对 Infra / 平台方向有兴趣
有 OpenClaw、OpenManus、AutoGPT、Dify、Coze、Flowise 等智能体系统的使用或改造经验
有个人项目、技术博客或开源贡献经历，有 GitHub / Demo / 作品集可展示者优先
AI 洞察
优缺点分析
优点
- 前沿技术栈：直接接触大模型、Agent、RAG等业界最热门方向，技术含金量高
- 大厂平台：快手提供海量数据和丰富业务场景（电商、直播），让技术能落地产生实际价值
- 开源社区贡献：有机会参与OpenClaw等开源项目，提升个人影响力
- 技术难度高：Agent领域仍处于早期，需要快速学习大量新概念和框架，持续跟进论文
缺点 / 挑战
- 留用机会：实习表现优秀可转正，减少求职压力，提前锁定大厂正式offer
- 工程化要求高：需要将前沿研究转化为稳定可用的系统，对综合能力要求较高
- 竞争压力大：AI岗位热门，候选人背景强，需要拿出扎实项目或论文证明自己
- 适合对LLM和AI Agent有强烈好奇心，编程能力强，喜欢挑战前沿技术并愿意投入大量时间学习的研究型或工程型学生
角色解读
- 从实习工程师成长为AI Agent领域的专家，深入参与大模型应用的核心技术研发
- 有机会转正为正式员工，在快手AI平台或业务线担任核心开发角色，后续可向技术专家或架构师发展
- 积累多智能体协同、系统部署等稀缺经验，未来可跳槽至其他大厂或创业公司AI团队
- 构建Agent核心运行时，实现任务规划、工具调用、记忆管理等模块，让AI能够自主完成任务
- 将开源Agent产品（如OpenClaw）工程化落地到快手电商、直播等业务场景，提升业务效率
- 建设Agent系统的可观测性、评测和稳定性体系，确保线上系统可靠运行
- 跟踪前沿AI Infra技术，推动从研究到业务的闭环落地
- 扎实的编程基础，熟练掌握Python或Java，能高效实现复杂算法和系统
- 对LLM原理有深入理解，熟悉Prompt工程、上下文机制和常见能力边界
- 掌握Agent相关框架（如LangChain、AutoGen）和推理模式（ReAct、CoT等）
- 了解RAG系统、向量检索、Docker/Kubernetes等基础设施，具备工程化思维
申请策略
- 关注快手AI技术博客和开源项目，在面试中展示对快手技术方向的了解
- 准备一个完整的Agent项目案例，从问题定义到实现细节，展现工程能力和思考深度
- 突出相关项目经历：Agent、RAG、LLM应用开发等，最好有GitHub链接或Demo
- 强调编程能力：展示Python/Java项目，尤其是大规模系统或算法实现
- 列出技术博客或开源贡献：体现学习热情和技术深度
- 如果有竞赛或论文加分，务必提及
- 快速上手LangChain、AutoGen等主流Agent框架，并搭建一个小型Agent demo
- 复习LLM基础知识，包括Transformer、Prompt设计、微调等，能清晰解释原理
面试指南
- STAR法则：描述情境、任务、行动和结果，突出技术难点和你的贡献
- 先给出核心原理，再举例说明，最后总结经验和改进方向
- 遇到不确定的问题时，坦诚表示不熟悉，但提出你的思考路径和可能的解决方案
- 请解释LLM的上下文窗口和Prompt优化方法，并举例说明你如何设计一个高效的Prompt
- 你使用过哪些Agent框架？请对比LangChain和AutoGen的优缺点
- 如何设计一个RAG系统来提升问答准确性？涉及哪些组件？
- 假设需要让Agent在电商场景中自动完成商品推荐，你会如何规划任务流程？
- 请描述你解决过的一个具有挑战性的技术问题，并说明你是如何调试和优化的
匹配度报告
69
综合匹配度
大厂AI Agent实习，技术前沿成长快，留用机会好，但WLB一般。
适合人群
最适合以技术成长为首要目标的求职者，愿意投入时间学习前沿技术，承受一定工作压力。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利60
成长发展95
工作生活50
使命价值70
薪资福利匹配
60中等
实习薪资处于大厂中等水平，但留用转正后薪资可观；JD未提及福利，补偿性一般。
薪资信号未披露（AI估算：6K-9K/月）
成长发展匹配
95较高
该职位直接参与最前沿的AI Agent技术研发，技术成长空间极大，且有留用机会，发展性动机强烈满足。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、LangChain、Kubernetes、Docker、OpenClaw
业务类型profit_center
工作生活匹配
50较低
大厂实习通常需要现场办公，工作强度可能较大，但杭州生活环境不错；JD未提及WLB相关，生活化动机满足有限。
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）
使命价值匹配
70中等
AI Agent是高速增长赛道，技术本身具有变革意义，但JD未提及社会价值，意义感中等偏上。
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