光子艺术部-Agent 研发工程师

负责面向创作场景的多轮 Agent 系统研发与线上演进，覆盖编排运行时、上下文工程、工具体系等核心链路，保障长程任务可中断、可恢复、可追溯；

独立设计并落地 Agent 执行流程：多步任务拆解与推进、子 Agent 调度、任务挂起与恢复、人在环确认，以及超时、部分失败、重复调用的兜底策略；

负责上下文分层组织与预算分配，设计历史裁剪 / 压缩、会话摘要、缓存友好的 prompt 结构，以及多模态内容接入方案；

建设工具体系：接口与错误语义、工具网关、调用幂等与重试、产物校验与出站管控，对齐 Function Calling / MCP 等外部协议；

建设效果评测与可观测闭环：评测用例与回归门禁、全链路追踪与分段埋点、成本归因与延迟拆解，用数据驱动效果与成本优化；

与产品、前端、客户端协同，将模糊需求收敛为可验收的接口契约与跨端协议，保障同一套 Agent 能力在 Web 与桌面端一致交付。

计算机相关专业本科及以上学历，5 年以上后端 / 分布式系统研发经验，其中至少 2 年 LLM / Agent 生产系统经验；能独立负责高并发服务的设计、上线、容量规划与线上排障；

Go 作为主力语言有生产级交付经验（具备扎实的 C++ / Java / Rust 大规模并发系统背景可接受，入职后以 Go 交付）；熟悉微服务、配置中心、容器与 K8s，改动必须可回滚、可观测、可灰度；

独立设计并上线过完整的多轮工具调用 Agent 运行时（排除框架套壳、低代码编排、单轮问答 Demo），对执行状态机、上下文装配、失败恢复与幂等有完整设计权责，能讲清一次请求从接入到产物校验的分层与取舍；

对上下文工程有生产级实践：能设计分层预算与裁剪优先级，理解 prompt 结构对前缀缓存命中的约束，能处理长程会话下的窗口溢出、摘要失真、工具轨迹膨胀与多模态上下文；

对 LLM 工程有量化认知并能用自己项目里的数据说话：上下文窗口与 token 计费、TTFT 与端到端延迟的区别、流式协议、结构化输出稳定性、模型路由与降级、重试与幂等边界；

具备生产级可观测与成本意识：能基于 Trace / Metrics / Logs 将一次 Agent 请求拆到编排、模型、工具、检索各段，定位延迟、错误率与成本异常，并用对照实验验证优化是否生效；

熟悉主流 Agent 框架与协议生态（如 LangGraph、AutoGen、OpenAI Agents、Claude Agent SDK、MCP、A2A 等），有源码级改造或自研运行时经验，而不是停留在官方 Demo 或低代码编排；

工程规范过硬：核心路径单测覆盖边界与失败场景，配置与策略外置，能把模糊需求写成可验收的接口契约，并与上下游直接对协议、对验收标准。 加分项

独立建设过 Agent 效果评测体系：用例集设计、含随机性场景的判定、CI 回归门禁、人工盲评或 LLM-as-Judge，并能用评测结果做上线 / 回滚决策；

对 Agent Harness、LLMOps 有深入理解与实践：评测飞轮、数据回流、线上 badcase 结构化归类、提示词 / 技能 / 工具的版本治理；

有上下文压缩、会话摘要、记忆系统（写入判定、分级生命周期、污染控制、共享边界与权限）的生产经验；

有 coding agent、桌面 / 操作型 agent 或超长程任务 agent 的研发经历，处理过密集工具调用与工作区级状态管理；

做过检索与能力召回（RAG、Skill / Tool routing），能设计召回质量度量、排序迭代与错误归因，而不是只接向量库；

有跨端接入经验：端侧工具桥接、本地与云端协同执行、多端状态同步与协议设计；

了解 agentic 后训练 / 强化学习的工程接口，能从评测、轨迹与奖励信号侧对接数据飞轮，以落地为主；

有多地域、多租户、私有化或强合规场景的交付经验；或在 GitHub 上持续维护有真实用户的 Agent / LLM 项目，或给主流框架提过被合入的 PR。