AI Agent平台开发工程师

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1.学历专业：本科及以上学历，计算机科学、软件工程、人工智能等相关专业优先；
2.编程基础：熟悉 Java/Python/Go 中至少一门编程语言，具备扎实的数据结构与算法基础；
3.AI 技术认知：了解 Prompt Engineering、RAG、Tool Calling 等大模型应用技术，有课程项目、实习或个人作品实践者优先；
4.大模型使用经验：有调用主流大模型（如 GPT、Qwen、Claude 等）的经历，对上下文管理、输出控制等有初步探索或实验经验优先；
5.Agent 相关实践：接触过 LangChain、LlamaIndex、Dify 等框架或平台，有 Demo 开发、技术调研或实习经历者优先；
6.综合素质：学习能力强，对 AI 技术充满热情，具备良好的沟通协作能力，善于独立思考与总结复盘；
7.创新意识：有技术好奇心，乐于探索 AI 新技术，愿意尝试用技术解决实际问题。
【加分项】
1. 在 GitHub 等开源社区有项目贡献、技术博客输出或参与过开源项目；
2. 有顶会论文、技术专利，或在知名互联网公司/AI 创业公司有相关实习经历；
3. 对 AI Agent、多智能体协作、自主规划等前沿方向有个人研究或技术思考。

岗位描述

1.AI Agent 核心框架建设：参与企业级 AI Agent 平台的模块开发，涉及Agent编排、规划、工具调用及记忆管理等核心能力的实现；
2.RAG 检索增强优化：协助设计高效的检索架构，参与混合检索、重排序等算法的工程落地，提升知识库问答的准确率；
3.工程稳定性实践：学习并实践高可用后端服务开发，参与系统的部署、监控与性能调优，夯实工程基础；
4.业务场景落地：深入理解企业业务流程，将大模型技术转化为实际应用，参与端到端 AI 解决方案的开发与迭代。
1.学历专业：本科及以上学历，计算机科学、软件工程、人工智能等相关专业优先；
2.编程基础：熟悉 Java/Python/Go 中至少一门编程语言，具备扎实的数据结构与算法基础；
3.AI 技术认知：了解 Prompt Engineering、RAG、Tool Calling 等大模型应用技术，有课程项目、实习或个人作品实践者优先；
4.大模型使用经验：有调用主流大模型（如 GPT、Qwen、Claude 等）的经历，对上下文管理、输出控制等有初步探索或实验经验优先；
5.Agent 相关实践：接触过 LangChain、LlamaIndex、Dify 等框架或平台，有 Demo 开发、技术调研或实习经历者优先；
6.综合素质：学习能力强，对 AI 技术充满热情，具备良好的沟通协作能力，善于独立思考与总结复盘；
7.创新意识：有技术好奇心，乐于探索 AI 新技术，愿意尝试用技术解决实际问题。

【加分项】

1. 在 GitHub 等开源社区有项目贡献、技术博客输出或参与过开源项目；
2. 有顶会论文、技术专利，或在知名互联网公司/AI 创业公司有相关实习经历；
3. 对 AI Agent、多智能体协作、自主规划等前沿方向有个人研究或技术思考。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →