Agent

平台底座

• 建设 Agent 编排框架与运行时，支持配置化扩展 —— 新增/调整 Agent 以填表或写配置完成，尽量不改代码
• 建设 Agent 注册与统一模型网关，屏蔽底层模型差异，支持多模型路由与灰度
• 建设编排层：让多个 Agent 与工具在流程中自动流转，减少人工串联

评测与可观测

• 建设 Agent 评测体系：评测数据集、回归基线、质量指标定义与自动化评测流水线
• 建设线上追踪与归因：调用链路、失败模式分类、成本与 token 消耗治理
• 让每一次 prompt / 模型 / 编排变更可度量、可回归、可回滚 —— 没有评测的 Agent 不允许进生产

上下文接入层（

Context Layer）

• 打通研发工具链（Git / Jenkins / Jira / Confluence / 需求与文档系统），把研发上下文封装为 Agent 可消费的能力
• 基于 MCP 建设统一上下文接入，处理权限透传、增量同步、缓存隔离、引用溯源等工程问题
• 建设企业研发知识检索能力（RAG），注意：知识接入的难点不在检索算法，在权限与时效

支持团队向

AI Native 转型

• 建立 Agent 开发规范、脚手架与模板，使领域工程师可在不理解 LLM 底层的前提下交付可用 Agent
• 支持工程师的能力转型：从"自己写"到"定义问题、交给 Agent、验证结果"
• 编写文档、Demo 与培训材料，组织实践交流，降低上手门槛
• 建立采纳度与效果度量机制，把反馈转化为平台迭代

Qualifications

必须

• 本科及以上，计算机 / 软件工程等相关专业
• 扎实的软件工程基础，熟悉完整 SDLC；熟练掌握 Python（团队主力语言）
• 具备大模型应用的生产落地经验 —— 不只是 Demo 或 POC，能说清楚线上遇到的问题和怎么解决的
• 熟悉 Agent / RAG / 向量数据库的工程实现，了解其失效模式而不只是 happy path
• 熟悉至少一种 Agent 开发框架：LangGraph / LangChain / OpenAI Agent SDK 等
• 熟悉 Git、CI/CD、Code Review、自动化测试等研发流程

Additional information

自托管：

平台部署在企业内网，不依赖公有云托管服务

对接既有系统

：需与已有内部工具链集成，不是推倒重来

不绑定单一厂商

：不锁定特定芯片 / 云 / 模型厂商，架构需保持可替换