AI平台工程师 / Agent工程师

1. 设计、开发并维护公司的 intranet AI gateway system，为不同模型、供应商与内部 AI 服务提供统一、稳定且可治理的访问层。
2. 设计可扩展的 gateway extensions 与 policies，包括模型路由、流量治理、限流与配额、故障转移、缓存、审计，以及基于 RBAC 的细粒度访问控制等能力。
3. 围绕高可用、端到端响应延迟和 cost per million tokens 建立可量化的优化机制，持续改善 AI API 服务的可靠性与成本效率。
4. 建设 AI 服务的可观测性与运维体系，完善 metrics、logging、tracing、告警、容量管理、故障诊断与 incident response。
5. 与信息安全及相关团队协作，将身份认证、RBAC、数据隔离、敏感信息保护、使用审计和模型访问策略落实到基础设施中。
6. 设计并开发 agentic workflow platform，为 Agent 的工具接入、状态管理、任务编排、执行恢复、评测与运行监控提供通用能力。
7. 参与公司级 central agentic memory system / knowledge base 的架构与实现，重点解决信息接入、检索、RBAC、数据来源追踪、时效性及跨团队隔离等问题。
8. 深入研究、交易、工程及其他内部团队的实际工作流，以 Forward-Deployed Engineering 的方式完成需求澄清、原型开发、系统集成和生产交付。
9. 从具体场景中识别可复用的工程模式，将一次性交付沉淀为平台组件、标准接口与治理策略

必备条件：

1. 扎实的计算机系统基础，熟悉分布式系统、网络、数据库、云原生基础设施或可靠性工程中的一个或多个方向。
2. 具备生产级后端或基础设施系统的设计与开发经验，能够独立完成从架构设计、实现、测试到部署和运维的完整工程链路。
3. 熟练掌握至少一门主流编程语言，如 Python、Go、Rust、Java 或 C++。
4. 熟悉 API gateway、service mesh、微服务或大规模在线服务的常见设计，包括流量治理、故障处理、可观测性与容量管理。
5. 对 LLM API、tool use、RAG、agentic workflow 或相关 Applied AI 系统有实践经验，能够理解模型能力与生产系统约束之间的关系。
6. 具备良好的问题抽象与跨团队协作能力，能够从开放、模糊的实际需求中定义边界清晰、可验证的工程方案。
7. 重视系统可靠性、信息安全与长期可维护性，能够对自己交付的系统承担持续运营责任。

加分项：

1. 有 AI gateway、LLM platform、model serving control plane 或 multi-provider routing 系统的设计与运维经验。
2. 有高并发、低延迟或高可用分布式系统的性能分析与优化经验。
3. 熟悉 Kubernetes、Envoy、service mesh、OpenTelemetry、eBPF 或相关云原生与可观测性技术。
4. 有 Agent workflow orchestration、MCP / tool platform、long-term memory、enterprise search 或 knowledge base 系统经验。
5. 熟悉 LLM 应用中的 prompt caching、context management、evaluation、guardrails、data loss prevention 或 cost optimization。
6. 有安全平台、IAM / RBAC、数据治理或合规相关工程经验。
7. 有 Forward-Deployed Engineering、内部开发者平台或跨团队复杂系统交付经验