AI Agent 研发工程师-引擎架构

工作职责 Agent 系统研发 设计并实现面向复杂业务的 Agent 系统，涵盖任务规划、多 Agent 协同、工具调用、记忆与上下文管理等核心模块；以 Agentic 设计理念为导向——让 Agent 能自主感知、规划、执行、反思，而不是在固定流程中"填空" 生产落地与可观测性 负责 Agent 系统上线的完整工程链路：设计长链路任务的状态管理与断点续跑，构建面向不确定性系统的容错与降级策略；同时打造全链路可观测能力，支撑灰度发布、快速定位与在线回滚。 上下文工程（harness engineering）与数据飞轮 用 Harness Engineering 系统性控制 Agent 行为：为核心行为路径设计可复现的测试 harness，构建 LLM-as-Judge 评估流水线；将线上失败案例与行为数据转化为改进信号，驱动合成数据生成，形成可量化的正向迭代循环。

工程基础 熟练掌握 Java/Python，具备大规模分布式系统设计与上线经验；理解异步、并发、幂等、限流等工程基础，对代码质量与系统可维护性有较高要求。 Agent 系统经验 有复杂 Agent 系统的完整设计与生产落地经验；理解 Agentic 与传统流程化 AI 应用的本质区别；熟悉 Multi-Agent、Harness 架构设计、工具系统粒度设计与错误反馈策略；有 LangGraph / LangChain 等框架深度使用或改造经验者优先。 快速学习与 AI 技术敏感度 AI 领域变化极快，我们需要你能在一周内读懂一篇前沿论文并判断其工程价值，在两周内完成关键技术的原型验证。不要求"什么都会"，但要求对新范式有强烈感知力——能第一时间识别哪些方向值得跟进、哪些只是噪音，并将判断转化为团队可执行的工程方案。 我们希望你具备的思维方式 Context 是稀缺资源：Sub-Agent 隔离、中间结果卸载、按需加载——Context 的精细化管理是长任务成败的关键 快比完美更重要：两周内跑通原型验证方向，比三个月打磨完美方案更有价值 Evals 驱动迭代：把"Agent 好不好"量化成可测量的指标，用数据说话