Knowledge Engineering工程师

1. 01

   解决 Single Source of Truth 问题，统一指标口径和业务概念解释，支撑 Agent 在回答问题和执行任务时能够选择正确、可信、最新的 Context。

2. 02

   建设统一 Context 表征体系，落地 Ontology、知识图谱和语义索引，支撑 Agent 对业务对象、指标、数据表、文档、流程、人员、项目之间关系的理解和推理。

3. 03

   优化 Context 检索效率、成本和准确性，设计多层检索架构，结合 RAG/向量/关键词/图谱/缓存提升检索效率。

4. 04

   建设 Context 安全和权限治理能力，解决 Agent 在多用户、多群、多 Agent 协作场景下的 Context 隔离问题。

1. 01

   本科学历及以上，计算机相关专业优先，具备扎实的数据结构、数据库、搜索、分布式系统或机器学习基础。

2. 02

   熟悉 Python、Go、Java、TypeScript、Scala 等任意一种主流工程语言。

3. 03

   理解 LLM、RAG、Embedding、向量检索、重排序、知识图谱、语义搜索等基本原理。

4. 04

   对企业知识管理、指标治理、数据治理、Ontology、Semantic Layer、AI Knowledge Infrastructure 有浓厚兴趣。

5. 05

   具备复杂系统抽象能力，能够把碎片化业务知识建模成可维护、可扩展的系统。

6. 06

   重视正确性、安全性和可解释性，不满足于“看起来能回答”，而是追求“答得对、说得清、可追溯”。

加分项

1. 01

   有 RAG 系统、企业搜索、知识库、知识图谱、推荐召回、语义检索、问答系统建设经验。

2. 02

   熟悉 Elasticsearch、Milvus、Faiss、pgvector、GraphDB、Neo4j、JanusGraph、ClickHouse、Spark、Flink 等技术。

3. 03

   有数据平台、BI、指标平台、元数据管理、数据血缘、数据治理、语义层建设经验。

4. 04

   有 LLM Agent、Tool Calling、MCP、Multi-Agent、Memory System 相关经验。

5. 05

   有权限系统、数据安全、隐私计算、审计、合规治理经验。

6. 06

   关注 Context Engineering、GraphRAG、Agentic RAG、Long Context、Memory、Ontology 等前沿方向。

7. 07

   有论文、开源项目、技术博客或复杂工程系统建设经验优先。

你将获得

1. 01

   参与建设小红书企业级 Context Infrastructure 的机会。

2. 02

   直接解决 Agent 时代最核心的问题：如何让 AI 真正理解企业。

3. 03

   深度参与 RAG、知识图谱、Ontology、Memory、Context Safety、Agentic Retrieval 等前沿方向。

4. 04

   面向真实业务大规模落地，而不是实验室 demo。

5. 05

   有机会沉淀小红书在 Context Engineering 方向的行业领先实践。