后端开发工程师（AI Agent方向）/ AI Native 后端工程师 职位描述 【关于这个角色】 我们正在寻找信奉“Agent Native”理念的后端工程师。与传统的CRUD开发不同，你将负责设计并构建能够自主规划、记忆、调用工具并与环境交互的智能体系统。 我们不需要你把AI当做一个偶尔调用的API，而是要求你以状态机、图计算（Graph）和自主决策为核心范式来重构后端逻辑。在这里，你写的每一行代码都可能决定一个Agent如何理解复杂任务并拆解执行。 岗位职责 核心框架开发：设计并实现高可扩展的AI Agent执行引擎，支持ReAct、Plan-and-Execute、多智能体协作等多种推理模式。 工具与生态集成：为Agent开发“手和脚”——通过Function Calling/Tool Use机制，将内部API、第三方服务和数据库无缝封装为Agent可调用的标准化工具。 记忆系统构建：设计混合记忆架构，包括基于向量数据库的长期记忆（Long-term Memory）与基于Redis的短期工作记忆（Working Memory）。 流程编排：使用LangGraph、DSPy或自研DSL（领域特定语言）编排复杂的Agent工作流，处理循环、重试、回溯和人机协作（Human-in-the-loop）。 性能优化：优化LLM调用的延迟与成本（缓存、Prompt压缩、模型路由），并保证异步任务队列在高并发下的稳定性。
硬性门槛（必须满足） 学历与经验：计算机相关专业，拥有2-5年后端开发经验。 扎实的后端基础： 熟练掌握 Python/Go/Java 中的至少一种（Python优先，因AI生态更成熟）。 精通异步编程（如Python asyncio、Go Goroutine）。 熟悉FastAPI/Spring Boot等框架，能独立设计RESTful/gRPC API。 数据库与中间件：熟练使用PostgreSQL/MySQL，并了解至少一种向量数据库（Milvus/Pinecone/Qdrant/Chroma）的基本使用场景（不要求调优，但知道什么是向量检索）。 AI基础认知： 深刻理解LLM的局限性（幻觉、上下文窗口、推理瓶颈），并能通过工程手段缓解。 熟悉Prompt Engineering（Few-shot、Chain-of-Thought）的落地实践。
团建，体检，年终奖。
Map For Jobs — Web3行业的求职地图