BYR Achieve · 镜像论坛

组内急招，语言不限, 团队内氛围好，发展快，潜力大，landing轻松，办公地点：朝阳联系方式或者直接发简历： - 方式1: 论坛站内信 - 方式2: 邮箱：bingsanlang0521@163.com 或者通过链接直接投递其他岗位：小红书火热招聘中，众多岗位总有一个适合你，点击下方链接开始投递吧！ https://hr.xiaohongshu.com/recommend/job-list/XHSRC-c057414fe146c5fc59f6be85fba14697 Agent 系统架构师 - Agent Systems Architect 岗位说明负责公司级Agent平台在复杂 Agent 系统方向的架构设计与技术探索，面向 Deep Search / Deep Research、Long-Horizon Task、Multi-Agent / Sub-Agent 等复杂任务场景，研究和设计下一代 Agent 系统架构不局限于是某一个 Agent 应用的实现，而是持续回答“复杂 Agent 应该如何设计”这一核心问题：如何进行任务理解与规划，如何组织 Agent Loop，如何拆分和调度 Sub-Agent，如何完成长周期任务，如何进行结果验证，以及随着模型能力演进，Harness 与 Agent Architecture 应如何持续变化需要通过真实业务场景和 Evaluation 验证架构收益，沉淀可复用的 Reference Architecture，并推动验证有效的架构能力进入 AgentSphere 平台核心职责 1. 复杂 Agent 系统架构设计：负责 Deep Search、Deep Research、Long-Horizon Task、Multi-Agent / Sub-Agent 等复杂 Agent 场景的整体架构设计，围绕 Planning、Execution、Reflection、Verification、Task Decomposition、Agent Collaboration 等关键问题持续演进系统方案 2. Agent 架构前沿探索与技术判断：持续跟踪模型与 Agent 架构演进，包括 Coding Agent、General Agent Harness、Computer Use、Multi-Agent、Long-running Agent、Context Engineering 等方向，通过 Prototype + Evaluation 判断新架构的真实收益，并快速完成业务验证 3. 长程与复杂任务架构建设：探索从 Session-based Agent 向 Task-based / Durable Agent 演进，解决分钟级、小时级甚至更长周期任务中的任务规划、动态调度、中断恢复、状态持续、异步执行、Human-in-the-loop、任务完成度验证等关键问题 4. Agent Architecture 与模型能力协同演进：持续研究模型能力增强对 Agent 系统设计的影响，判断 Planning、Tool Selection、Reflection、Context Management 等能力应由模型、Harness 还是 Runtime 承担，避免过度工程化，并保持 Agent 架构足够先进和简洁 5. 架构验证与技术资产沉淀：通过 Evaluation 对架构效果进行量化验证，将经过真实业务验证的最佳实践沉淀为 Reference Architecture、设计规范、公共组件和平台能力，形成“场景 → 架构探索 → 评测验证 → 平台沉淀”的技术闭环 6. 跨领域架构协同：与 Runtime、Context / Memory、Capability / Sandbox、Evaluation、Observability 等方向共同定义关键接口与系统边界，保证复杂 Agent 架构能够在统一底座上稳定落地任职资格 1. 扎实的系统设计与工程能力：具备较强的系统架构设计能力和工程实践经验，对分布式系统、任务调度、状态管理、异步系统、可靠性等至少一个领域有深入理解 2. 有实际 Agent 系统研发经验：有 LLM / Agent 应用或基础设施开发经验，熟悉 ReAct、Workflow + Agent、Planner-Worker、Multi-Agent、Deep Research 等主流 Agent 架构中的至少一种，并对其优缺点有自己的技术判断 3. 对 Agent 架构有较强抽象与判断能力：能够从具体业务问题中抽象出通用架构问题，而不是停留在 Prompt 调优或 Framework 使用层面；能够判断哪些问题应由模型解决、哪些问题应由工程系统解决 4. 强结果导向和验证意识：重视 Evaluation 和数据验证，能够通过任务完成率、效果、稳定性、延迟、成本等指标判断架构是否真正有效，而不是单纯追求技术复杂度 5. 较强的技术学习与研究能力：能够持续跟踪快速变化的模型和 Agent 技术，并通过阅读论文、开源项目、快速实验形成自己的技术判断加分项有 Deep Research、Coding Agent、Multi-Agent、Long-running Agent 等复杂 Agent 项目经验有 Agent Framework / Harness / Runtime 核心模块设计经验有分布式调度、Workflow Engine、Durable Execution 等系统研发经验有开源 Agent 项目核心贡献或相关技术影响力 Agent 基础设施工程师 - Agent Infrastructure Engineer 岗位说明负责公司级Agent平台的核心基础设施和 Agent 生产运行底座建设，为不同 Agent 架构提供统一、稳定、高性能、可扩展的运行环境工作范围不仅局限于传统 Runtime，而是覆盖 Agent Harness Kernel、Execution Runtime、Durable Execution、模型与工具调用、状态管理、Context Runtime、Sandbox、调度、可靠性、性能和成本等核心基础设施目标是构建一个不绑定特定 Agent Framework 或架构范式的通用 Agent Infrastructure，使 ReAct、Workflow、Deep Research、Multi-Agent、Long-Horizon Task 等不同 Agent 能够低成本接入并稳定运行核心职责 1. Agent Runtime / Harness Kernel 建设：参与设计和实现 Agent Runtime 核心执行模型，包括 Task、Session、Step、State、Model Call、Tool Call、Agent Loop 等关键运行实体，以及模型调用、工具执行、状态流转、异常处理等核心机制 2. Durable Execution 与任务调度能力建设：建设长生命周期 Agent 所需的 Task Scheduling、Checkpoint / Resume、状态持久化、失败恢复、任务取消、异步执行、事件驱动、Human-in-the-loop 等能力，支撑分钟级到长周期任务稳定运行 3. Agent 执行基础设施建设：建设和演进 Agent 运行过程中依赖的基础设施，包括模型调用、Tool / Skill Execution、Sandbox、Context Runtime、Memory 接入、资源隔离、任务队列以及分布式执行等能力 4. Runtime 稳定性与生产工程建设：负责 Agent 运行时的生产级可靠性，包括 Timeout、Retry、Fallback、Circuit Breaker、Idempotency、Load Shedding、Failure Recovery、Multi-region 等机制，持续提升 Agent 服务 SLO 5. 性能与成本优化：围绕模型调用、Token 消耗、Context 长度、并行执行、缓存、模型路由、Tool Execution 等核心链路持续优化 Agent 延迟、吞吐和成本，建立效果、性能和资源效率之间的合理平衡 6. Runtime 可观测与标准化：建设 Agent Runtime 统一 Trace 和运行数据模型，使 Model、Tool、Memory、Context、Sub-Agent 等执行步骤能够被完整追踪，并支撑问题定位、成本归因、效果归因和 Evaluation 7. 基础能力平台化与标准化输出：将业务 Agent 中重复出现的运行能力下沉为标准 Runtime API、SDK、Protocol 和 Execution Primitive，降低业务接入和维护成本，并保持底层基础设施对上层 Agent 架构的开放性任职资格 1. 扎实的计算机基础和工程能力：熟悉操作系统、网络、并发、存储、分布式系统等基础知识，具备良好的代码能力和工程质量意识 2. 有复杂后端或基础设施系统经验：有分布式系统、服务框架、任务调度、Workflow Engine、消息系统、计算平台、云原生基础设施等相关研发经验之一 3. 对生产级系统有深入理解：熟悉高可用、容灾、限流、熔断、超时、重试、幂等、故障恢复、可观测等生产系统关键机制，有线上复杂问题排查经验 4. 对 LLM / Agent 基础设施有兴趣和理解：了解 LLM 调用、Tool Calling、Context、Agent Loop、Streaming 等基本机制，对 Agent Runtime / Harness 有较强兴趣；有相关研发经验更佳 5. 具备良好的系统抽象能力：能够从不同业务 Agent 的具体需求中识别公共问题，并抽象成稳定的基础设施能力，而不是针对单一业务不断增加特例 6. 对性能与效率敏感：有系统性能优化、延迟优化、资源利用率或成本优化经验，能够通过数据分析定位系统瓶颈并持续优化加分项有 Agent Runtime / Harness / Agent Framework 开发经验有 Workflow Engine、Scheduler、Durable Execution、Serverless Runtime 等研发经验有 Kubernetes、Sandbox、Container Runtime、Service Mesh 等基础设施经验有大模型网关、推理服务、模型路由或 AI Infrastructure 经验有大规模分布式系统、高并发服务核心模块研发经验 Agent 评估与进化工程师 - Agent Evaluation & Evolution Engineer 岗位说明负责公司级Agent平台的 Evaluation、Quality Engineering 与持续进化体系建设，解决 Agent “效果如何定义、问题如何发现、优化是否真正有效，以及如何持续变好”的核心问题面对的是一个行为非确定、结果开放、依赖模型和上下文的智能系统，建立适用于 Agent 的新型质量工程体系：从 Dataset、Evaluator、Trace、LLM-as-Judge，到错误发现、效果归因、回归评测、发布 Gate，再到数据闭环和自动优化目标是让 Evaluation 成为 Agent 开发和发布过程中的基础设施，并最终形成由数据和评测驱动的 Agent 持续进化闭环核心职责 1. Agent Evaluation 体系建设：设计和建设 Agent 离线与在线评测体系，包括 Dataset、Rubric、Evaluator、LLM-as-Judge、Human Evaluation、Regression Evaluation 等能力，支持不同 Agent 场景建立清晰、可量化的效果标准。 2. Agent 质量定义与评测方法设计：针对 Deep Research、任务型 Agent、Long-Horizon Task、Tool-use Agent 等不同场景，设计任务完成率、正确性、完整性、Groundedness、Tool-use Quality、过程质量等评测方法，解决开放式 Agent 结果难以评价的问题 3. Evaluation Platform 与工程体系建设：建设数据集管理、批量评测、Evaluator 管理、实验对比、回归测试、评测报告、版本管理和 Eval Gate 等平台能力，将 Evaluation 融入 Agent 开发、迭代和发布流程 4. Agent 问题发现与效果归因：结合 Trace、用户反馈、在线指标和自动检测能力建立 Badcase Discovery 与 Error Taxonomy，对问题进行聚类和归因，识别模型、Prompt、Context、Memory、Tool、Agent Architecture 等不同因素对最终效果的影响 5. 数据闭环与 Agent 持续进化：将线上 Trace、用户反馈、Badcase 和评测结果转化为高价值 Dataset 和优化信号，推动 Prompt Optimization、Context Optimization、数据生成、自动调优等能力建设，逐步形成 Evaluation → Data → Optimization → Verification 的进化闭环。 6. 新模型与新架构效果验证：与 Agent Systems、Infrastructure 和业务团队协同，通过统一 Benchmark 和 Evaluation 方法评估新模型、新 Prompt、新 Tool、新 Context Strategy 和新 Agent Architecture 的实际收益，为技术选型提供客观依据 7. Evaluation 方法前沿探索：持续研究 Agent Evaluation、Process Reward、LLM-as-Judge、Trajectory Evaluation、Synthetic Data、Agentic RL、Self-improvement 等方向，探索适合复杂 Agent 的下一代质量与进化机制任职资格 1. 具备较强的数据和工程能力：计算机、人工智能、数据科学或相关背景，具有良好的编程能力，能够独立完成数据处理、评测系统和实验平台相关研发工作 2. 有 AI / LLM / Agent 相关实践经验：熟悉 Prompt、RAG、Tool Calling、Agent 等基础技术，对 LLM 输出的不确定性、评估难点和常见问题有实际理解 3. 有较强的指标设计与实验意识：能够将模糊的“效果好不好”拆解为可衡量指标，并设计合理的数据集、实验方法和评测标准；有 A/B Test、实验平台、搜索推荐评估或机器学习评估经验更佳。 4. 具备较强的问题分析和归因能力：能够从复杂 Trace、Badcase 和用户反馈中发现规律，建立合理的问题分类和归因框架，并将问题转化为可执行的优化方向。 5. 对 Evaluation 有深入思考：理解准确率等传统指标无法完全覆盖 Agent 质量，能够针对任务完成、过程质量、开放式输出、复杂轨迹等问题设计新的评测方法。 6. 强业务效果意识：不把评测平台本身作为最终目标，能够理解评测的价值最终体现在业务效果提升、迭代效率提升和生产风险降低加分项有 LLM Evaluation、LLM-as-Judge、Agent Evaluation 相关经验有搜索、推荐、广告、NLP、机器学习平台的评估体系建设经验有数据飞轮、自动数据生成、Reward Model、RLHF / RLAIF / Agentic RL 相关经验有实验平台、数据平台或 MLOps 平台建设经验对模型能力、Agent 架构与 Evaluation 三者之间的关系有较深入的技术判断

【内推】【社招】【技术】小红书 AI Agent工程师-组内急招