【实习】Monee-Agent开发实习生-SZ

参与 Agent 运行时与编排逻辑的开发，包括任务图/状态机执行、多轮会话与会话状态管理、流式输出、超时控制、失败重试。

参与 Agent 工具层开发，对接搜索、代码解释器、浏览器、沙盒、第三方服务等外部 API 与 MCP：工具注册与发现、schema 定义与版本兼容、参数校验、鉴权与配额。

参与记忆与检索链路的工程实现，包括长短期记忆存储、向量索引更新、混合检索与重排、上下文组装与 token 预算管理。

参与模型接入层开发：多模型路由与灰度、prompt 缓存、降级与熔断、成本与延迟监控。

参与评测与可观测性体系建设：trace 与全链路日志、离线评测集与回归流水线、线上指标看板，让 Agent 的效果变化可量化、可归因。

参与 Guardrail 相关能力开发，包括输入输出校验、流式场景下的实时校验、敏感信息处理。

探索 AI 创新应用，并把可复用的能力沉淀成平台和工具

计算机、软件工程、人工智能等相关专业全日制在读本科、硕士或博士。

扎实的编程基础和工程素养，熟练掌握 Python 或 Go，了解服务端开发、并发编程和 API 设计，能写出可维护、可测试的代码。

了解 LLM 应用的基本开发流程，理解工具调用、规划、记忆、检索等智能体关键技术，有动手实现过完整原型的经历。

良好的问题分析和排查能力，习惯用数据和日志定位问题；有良好的协作沟通能力，对 AI 前沿技术与应用保持持续兴趣和好奇心。

每周可到岗 4 天以上，可连续实习 3 个月以上。 加分项 • 有 LangGraph、Google Agent Development Kit、OWL 等 Agent 框架的使用或二次开发经验，或自己实现过 Agent 运行时。

了解 MCP 协议及其生态，写过 MCP Server 或工具集。

有 RAG 工程实践经验，用过向量检索（Milvus、Elasticsearch 等），做过召回评测或重排。

了解 LLM 推理部署与优化，接触过 vLLM、SGLang 等推理框架。

接触过云原生与可观测性技术栈，如 Kubernetes、OpenTelemetry、Prometheus。

有大模型商用产品或开源项目经验（To-C、智能体、虚拟社交方向），或在开源社区有实质贡献。

ACM/ICPC、TopCoder、Kaggle 等比赛获奖。

有较强的工程效率意识，熟悉 Codex、Claude Code 等 AI 开发工具，并主动用它们提升效率。

了解数据合成与筛选、提示词工程、模型评测等模型侧工作，能与算法同学高效配合。

在 NeurIPS、ICLR、ACL、VLDB、KDD 等会议发表过相关论文