一、岗位职责
- 负责基于大语言模型(LLM)的 Agent 系统设计与开发,构建可长期运行、稳定可靠的 AI 应用系统。
- 设计和实现 Agent 执行流程、状态管理与任务编排机制,包括任务拆解、流程控制和多步骤执行逻辑。
- 开发和维护 AI 可调用的工具与服务接口(API / 数据库 / 内部系统),提升 Agent 的任务执行能力。
- 构建并优化 RAG(检索增强生成)体系,包括知识库构建、向量检索、上下文管理等能力。
- 设计 校验机制、异常处理和失败恢复策略,提升 AI 系统在真实业务环境中的稳定性与可控性。
- 参与 AI系统架构设计与工程化落地,推动 AI 在公司业务产品中的实际应用。
- 分析和排查 AI 系统在运行中的问题,通过工程化方法持续优化系统稳定性与执行效果。
二、任职要求
- 本科及以上学历,计算机、软件工程或相关专业优先。
- 3 年及以上后端开发经验,具备真实生产系统开发经验。
- 熟练掌握 Python / C# / Java / Go 等至少一种后端开发语言。
- 具备扎实的软件工程基础,包括 系统设计、接口设计、异常处理和代码质量管理。
- 熟悉 大语言模型(LLM)应用开发,了解 Prompt Engineering、RAG、Agent 等相关技术。
- 有 LangChain、Semantic Kernel、Agent Framework 等 LLM 应用框架使用经验者优先。
- 熟悉 API 设计、数据库开发及系统集成,有 复杂业务系统开发经验者优先。
- 具备良好的问题分析能力,能够将复杂需求拆解为可执行的系统设计与技术方案。
- 对 AI 技术在实际业务场景中的应用具有兴趣,愿意持续学习相关技术。
三、加分项
具备以下经验之一者优先:
- 有 Agent 系统开发经验
- 有 RAG / 向量数据库 / 知识库系统实践经验
- 有 自动化平台、工作流系统、调度系统开发经验
- 熟悉 Azure AI / OpenAI / 各类大模型 API 集成
- 有复杂系统稳定性、容错设计或平台工程经验
四、技术环境(参考)
- Azure AI / OpenAI
- LLM Agent Framework
- RAG 与向量检索
- API / 微服务架构
- 企业内部业务系统集成
五、岗位特点
- 侧重 AI系统工程化落地,而非单纯模型研究
- 参与构建 可长期运行、可审计、可维护的 AI Agent 系统
- 与业务系统深度结合,推动 AI 在真实产品中的应用
你可以这么理解岗位:
一、我们要解决的问题
我们在做的,是把 LLM 从“聪明但不靠谱”,变成:
• 能长期运行
• 能失败恢复
• 能审计与回溯
• 能被真实业务依赖的工程系统。
如果你希望每天都能看到自己写的系统被真实用户使用,并且越来越稳定、越来越可靠,那你会喜欢这里。
二、你将面对的挑战
• 模型会犯错,你要兜住
• 流程会变复杂,你要梳理清
• 用户需求会模糊,你要拆解成步骤
• 系统要可控,你要设计状态与边界
这不是调 Prompt 的工作,而是复杂系统工程。
三、你每天会做的事
• 设计 Agent 的执行流程、状态流转、失败恢复
• 开发 AI 可调用的工具(API / DB / 内部系统)
• 构建 RAG、校验、兜底机制,让系统长期稳定
• 调试“为什么它这次又没按计划执行”
• 把一次次失败,沉淀成系统能力
如果你看到这些,不是害怕,而是兴奋,那我们大概率聊得来。
四、技术环境
• Agent 架构基于 Azure AI 全栈能力
• 已有成熟的模型调用、RAG、向量检索、权限与监控能力
• 你不需要造轮子,只需要把系统“做对、做稳、做久”
五、我们希望你具备的底色
• 3 年及以上后端经验,写过真实生产系统
• 对“不稳定系统”有执念,喜欢把混乱变成秩序
• 能把模糊需求拆成可执行步骤
• 遇到问题愿意追到根因,而不是绕过去
六、如果你做过这些,很可能会非常适合:
• 调度系统 / 工作流
• 自动化平台
• 复杂业务系统
• 胶水代码地狱(而你把它救活了)
七、你能得到什么
• 参与 AI 真正落地的关键阶段(而不是追热点)
• 从后端工程师成长为 Agent 系统工程专家
• 看到系统被真实业务依赖,而不是 Demo 演示
• 技术上更难,但也更有成就感
如果你只是想玩模型,这里不适合你;
如果你想把 AI 变成“可靠系统”,欢迎你。