快手
AI Agent算法专家
AI Agent算法专家
发布于 2 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
硕士
PyTorch
RAG
LLM
Reinforcement Learning
Multi-Agent
AI 估算 · 40k–80k
高级算法专家，快手大厂，北京，技术要求极高，市场竞争力强，薪资处于行业高位。
职位详情
关于这个职位
该职位负责快手AI Agent核心能力的研发与优化，涉及自主规划、多步推理、工具调用、记忆系统、RAG增强、工作流编排、多智能体协同等前沿技术
你将设计Agent框架与运行时，应用强化学习提升推理与泛化能力，并推动Agent在办公、创作、研发等真实场景的产品化落地
适合对AGI有浓厚兴趣、技术功底扎实的算法专家
最低要求
硕士及以上学历，计算机、人工智能、数学、电子信息等相关专业优先
精通 Python，具备扎实的 C/C++/Go/Java（至少一门）基础，具备优秀的软件工程能力与系统设计能力，追求高质量代码实现
深入理解 Transformer 架构及大模型（LLM/VLM/Reasoning Model）原理
熟悉 PyTorch/TensorFlow 等深度学习框架
掌握强化学习、自然语言处理、搜索推荐或计算机视觉相关基础理论
深入理解 Agent 核心范式，包括 Planning、Reasoning、Tool Use、Memory、RAG、Workflow、Multi-Agent 等
熟悉 MCP、Function Calling、Structured Output 等 Agent 生态技术
熟悉 Linux、网络编程、异步系统、分布式系统、Docker/Kubernetes 等基础设施与工程技术栈
具备极强的学习能力与技术热情，对 Agent、AGI 与 AI Native 应用方向有浓厚兴趣
逻辑清晰，具备良好的沟通协作能力与独立推进复杂项目的能力
工作职责
负责 AI Agent 核心能力的研发与优化，包括但不限于自主规划（Planning）、多步推理（Reasoning）、工具调用（Tool Use）、长期/短期记忆（Memory）、RAG 增强、Workflow 编排、多智能体协同（Multi-Agent）及复杂长链路任务执行
负责 Agent Framework 与 Agent Runtime 的设计与研发，包括 Tool Calling、Memory System、Workflow Engine、Sandbox、Agent Gateway、Skill System 等核心模块，探索长期运行（Persistent Agent）与自我进化（Self-improving Agent）能力
应用强化学习（RL）、SFT、Preference Alignment（DPO/PPO/GRPO/RLVR 等）等技术，提升 Agent 在复杂任务中的推理、规划、执行与泛化能力
参与构建 Agent 数据闭环与评测体系，包括 Agent Benchmark、Tool-use Evaluation、Long-horizon Evaluation、Trajectory Dataset 等，通过数据驱动持续优化模型与系统效果
推动 AI Agent 在办公、创作、Coding、R&D、企业 Workflow Automation 等真实场景中的产品化落地与持续迭代
优先资格
在 NeurIPS、ICML、ICLR、ACL、CVPR、ICCV 等顶级会议发表过论文
在 ACM-ICPC、NOI/IOI、TopCoder、Kaggle 或知名 AI 算法竞赛中获得优异成绩
为知名开源项目核心贡献者，或在开源社区具备较强影响力
有 LangChain、AutoGen、MetaGPT、OpenClaw、Hermes Agent 等 Agent Framework / Runtime 的使用或二次开发经验
有 RLHF/RLVR、Reasoning Model、Agent Fine-tuning、大模型 Post-training 等相关经验优先
有 AI Native 产品、AI Agent 平台或企业级 Agent Workflow 的 0-1 构建经验优先
AI 洞察
优缺点分析
优点
- 快手作为上市大厂，平台大、资源丰富，接触前沿AI Agent技术栈，技术成长快
- 职位涉及强化学习、多智能体等前沿方向，未来在AGI领域竞争力强
- 薪资待遇优厚，大厂福利体系完善
- 技术难度高，需要同时掌握大模型、Agent范式、系统工程等多领域知识
- 工作强度可能较大，项目周期紧，需快速迭代产品
- 竞争激烈，对学历、论文、竞赛等背景要求高
- 适合对AGI/Agent有强烈兴趣、技术全面且追求高薪的算法专家
缺点 / 挑战
暂无明显挑战项
角色解读
- 深耕AI Agent领域，成为技术专家或首席科学家，推动前沿技术突破
- 向技术管理方向发展，带领团队负责Agent平台或产品线
- 横向拓展至AI产品经理或AI架构师，结合业务需求定义Agent解决方案
- 研发AI Agent核心能力，包括自主规划、多步推理、工具调用、记忆系统、RAG增强等
- 设计并实现Agent框架与运行时，如Tool Calling、Memory System、Workflow Engine等核心模块
- 应用强化学习（RLHF/DPO等）提升Agent在复杂任务中的推理与泛化能力
- 推动Agent在办公、创作、编程等真实场景的产品化落地与迭代
- 精通Python和至少一门系统编程语言（C/C++/Go/Java），具备优秀的工程能力
- 深入理解Transformer及大模型原理，熟悉PyTorch/TensorFlow等框架，掌握强化学习
- 深入理解Agent核心范式（Planning、Reasoning、Tool Use等），熟悉MCP、Function Calling等生态技术
- 熟悉Linux、分布式系统、Docker/Kubernetes等基础设施
申请策略
- 深入了解快手在AI Agent领域的产品布局（如快意、可灵等），面试时展现业务理解
- 重点突出Agent相关项目经验，如自研Agent框架、多步推理、工具调用等
- 强调强化学习应用案例（如RLHF、DPO）和实际效果
- 如有顶级会议论文、竞赛获奖或开源贡献，务必突出
- 提前学习LangChain、AutoGen等主流Agent框架的源码和设计思想
- 补充RLHF工程经验，熟悉GRPO、RLVR等最新对齐技术
面试指南
- 针对系统设计题：先明确需求，定义输入输出，拆解模块（记忆、规划、工具等），说明数据流和状态管理，最后讨论可扩展性和容错
- 针对算法原理题：从基础概念讲起，对比不同方法，结合实际问题分析trade-off，必要时引用论文
- 针对项目经验题：采用STAR原则，突出难点、解决方案和个人贡献
- 请设计一个能完成复杂任务（如旅行规划）的Agent系统，并说明各模块如何协作
- 解释RLHF的原理，并对比DPO和PPO的优缺点
- 如何评估Agent在长链任务中的效果？请设计评测方案
- 描述你在Agent记忆系统设计中的技术选型与优化经验
- 如何处理工具调用中的错误和异常？
匹配度报告
71
综合匹配度
大厂高级算法岗，前沿AI Agent技术，高薪但WLB不确定。
适合人群
适合追求技术成长和高薪、对WLB要求不高的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展85
工作生活50
使命价值70
薪资福利匹配
80较高
快手作为上市大厂，薪资水平在行业中处于高位，稳定性好，但JD未提及具体福利细节。
薪资信号未披露（AI估算：40K-80K/月）
成长发展匹配
85较高
职位聚焦AI Agent前沿技术，涉及RL、多智能体等，技术成长空间大，但JD未明确晋升通道。
技术前沿前沿/新兴技术
技术栈Python、LLM、Agent、Reinforcement Learning、PyTorch、Docker、Kubernetes、Transformer、RAG、Multi-Agent
业务类型ambiguous
工作生活匹配
50较低
办公地点在北京，仅现场办公，未提及远程或弹性工作制，工作强度可能较高。
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）
使命价值匹配
70中等
AI Agent是高速增长赛道，技术有开拓性，但社会影响力中性，缺乏明确使命描述。
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