1. 负责RAG + Agent*系统的全链路集成与优化，包括检索增强、知识图谱融合、多步推理、工具调用、输出可控性等，持续提升业务场景下的端到端准确率、召回率、响应速度与鲁棒性
2. 深度拆解B端复杂业务，将需求转化为可被Agent高效执行的结构化任务分解（规划、工具选择、多轮交互、自我反思/纠错等）
3. 构建高质量领域数据集，进行大模型**SFT/PEFT/LoRA/QLoRA** 等微调，实现行业适配、风格控制与幻觉抑制
4. 设计高可靠AI服务接口（REST/gRPC）、Prompt/Chain/Graph编排、后处理逻辑、错误恢复机制，确保AI能力稳定服务化
5. 建立完整的Agent闭环体系：用户/线上反馈采集 → 错误分析与根因追踪→ 数据/提示/模型迭代 → A/B测试与效果回归 → 推动产品与Agent持续优化
1. 计算机、人工智能、软件工程等相关专业本科及以上
2. 熟练使用 Python/TS 进行AI应用后端开发
3. 熟练掌握至少一种主流AI Agent/RAG开发框架：
- LangGraph（状态图编排、循环控制、Agent核心）
- LlamaIndex（高级RAG、数据索引、工作流）
- CrewAI（多Agent角色协作、任务编排）
4. 熟悉Agent开发全生命周期关键环节：
- 跟踪与可观测性（Tracing/Logging）：使用LangSmith、Phoenix、Weights & Biases、Prometheus等工具，实现Agent执行轨迹、Prompt输入输出、工具调用链路的完整追踪与调试
- 评估与指标体系（Evaluation）：构建自定义评测集、自动化评估管道（准确率、 hallucination率、任务完成率、成本/延迟等多维度），熟悉LLM-as-a-Judge、RAGAS、DeepEval等评估框架
- 优化迭代（Optimization）：基于评估结果进行Prompt优化、检索策略调优、ReAct/Reflexion/Plan-and-Execute等推理模式迭代、成本/速度权衡优化
5. 熟练Linux + Docker环境，掌握Git + CI/CD基本流程
6. 熟悉关系型数据库（MySQL/PostgreSQL）+ 向量数据库（Milvus/Zilliz/Chroma/PGVector等）
7. 具备较强的**B端业务理解与需求转化能力**，能快速学习行业流程，将非结构化业务诉求转化为Agent可执行的任务图/工具链
强加分项（明显优先，薪资/面试可倾斜）
- 有真实企业级Agentic RAG 或多Agent系统上线经验（金融/政务/法律/制造/客服等领域尤佳）
- 熟悉主流开源大模型（Qwen、DeepSeek、Llama3系列、GLM、Yi等）的调用、vLLM/TGI推理优化
- 有Agent多轮对话、Function/Tool Calling、长上下文管理、自我反思（Reflection）机制开发经验
- 熟悉高并发AI服务优化（批处理、缓存、异步、限流等）
- 有线上A/B测试、模型漂移监控、Agent性能回归体系建设经验
