主分类：Agent系统开发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "高级 Agent 开发工程师（全栈）",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "核心本地商业-美团平台",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 5,
"degree": "-本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【岗位定位】\n\nBA Agent 需要一种新型工程角色——不是传统后端，也不是纯算法研究，而是将大模型能力工程化为可靠的 B 端策略与流程执行 Agent 系统的全栈工程师。你将负责构建一个能自主执行资源分配、策略生成与评估的智能体系统，让 AI 从\"回答问题\"进化为\"执行任务并交付产出物\"。\n\n【岗位职责】\n\n1. Agent 架构设计与开发\n\n-设计和构建 BA Agent 的核心 Agent 架构——任务分解、工具调用、多 Agent 编排、执行引擎\n-开发 Skill（能力单元）运行时框架：Skill 注册、路由分发、执行监控、结果聚合\n-设计长链任务的可靠性保障机制：状态持久化、断点续跑、异常恢复、超时治理\n\n2. 模型灵活度与流程稳定性的工程攻坚\n\n-B 端 Agent 的核心技术难题在于：模型具有生成灵活度（同一输入可能产出不同推理路径和结论），但 B 端业务对单一任务的流程稳定性和产出一致性要求极高。你需要在这两个张力之间找到工程化的解法：\n-设计受控推理框架：在保留模型分析和判断能力的同时，通过约束（流程编排、输出 Schema 校验、关键步骤确定性锚点）限制不可控的灵活发散\n-构建流程稳定性保障体系：针对 B 端策略场景设计任务执行的确定性保障——相同输入在合理阈值内产出一致结果，关键决策路径可审计、可复现\n-开发分层容错与降级机制：区分模型推理层（允许不确定性）和流程执行层（要求确定性），当模型输出偏离预期时，通过校验-重试-人工兜底的分级策略保障任务完成\n-设计Prompt 鲁棒性工程：针对同一业务场景的 Prompt，系统化测试和优化其在不同模型版本、不同输入分布下的产出稳定性，建立回归测试基准\n-探索确定性与创造性的动态平衡：在资源分配等高确定性场景收紧约束，在策略探索等需要创造性的场景适度放开，实现场景自适应的控制策略\n\n3. 大模型工程化\n\n-设计和优化 Prompt Engineering 体系，将业务 SOP 结构化为高质量 Prompt 模版或Skill\n-构建 Trace 采集与能力资产化系统：交互轨迹 → 质量评估 → 场景包沉淀 → 能力复用\n-开发模型评测与质量保障体系：针对 B 端策略场景的自动化评测基准\n-优化模型调用链路：成本控制、延迟优化、多模型路由策略\n\n4. 数据集成 & 计算\n\n-构建通用化计算引擎，支撑资源分配、预算优化等策略计算场景\n-开发与业务数据系统（Hive / 数仓 / BI）的集成能力，实现数据驱动的策略生成\n-设计 Agent 与外部系统的标准化对接方案（API / MCP / 数据管道）",
"requirements_text": "【必备能力】\n\n强编程能力：精通 Python，熟悉至少一门系统语言（Go / Java / Rust）。代码质量高，架构设计清晰\n大模型工程：深度理解 LLM 推理、Prompt Engineering、Fine-tuning 等技术，有实际的大模型应用开发经验\nAgent 架构：理解主流 Agent 框架和设计模式：ReAct / Plan-and-Execute / 多 Agent 协作 / Tool Calling / MCP 协议\n模型可控性工程：有在生产环境中解决 LLM 输出不确定性问题的实战经验——包括但不限于：输出格式约束、推理路径收敛、结果一致性校验、温度/采样策略调优、Prompt 鲁棒性优化等\n数据工程：熟悉数据处理全链路（SQL / Hive / Spark / 数仓），能独立完成数据驱动的功能开发\n系统设计：具备复杂系统的架构设计能力，能在可靠性、成本、性能之间做出合理权衡\n产品意识：不只是\"实现需求\"，能从用户和业务视角思考技术方案，有 Product Sense\n\n【经验要求】\n\n-5 年以上后端 / 全栈开发经验，其中至少 1 年大模型或 AI 应用开发经验\n-有 Agent 系统或 AI 应用的从 0 到 1 建设经验\n-有处理复杂业务逻辑（策略计算、资源优化、工作流引擎等）的工程经验\n-有在生产环境中解决「模型输出不确定性 vs 业务流程确定性」矛盾的实际项目经验者优先\n-本科及以上学历，计算机科学或相关专业\n-有前后端开发能力，能独立完成全栈功能交付",
"skills": [AI生成
"Python",
"Java",
"Rust",
"SQL",
"Spark",
"React",
"架构设计",
"可靠性",
"Go",
"大语言模型"
],
"preferred_qualifications": "有在生产环境中解决「模型输出不确定性 vs 业务流程确定性」矛盾的实际项目经验者优先",
"job_highlights": "-真实 Agent 工程挑战：不是调 API 写 Demo，而是构建服务于千亿级别真实业务场景的 Agent 生产系统——可靠性、成本、规模都是真实约束\n-能力资产化闭环：你构建的 Trace 系统直接驱动 Agent 能力提升，形成\"越用越好\"的技术飞轮\n-全栈技术栈：大模型 + Agent 架构 + 数据工程 + 系统设计，拒绝单一技术栈的螺丝钉困境\n-产品级影响力：工程师深度参与产品定义，技术决策直接影响产品走向"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4642487530&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4642487530",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4642487530&jobShareType=1"
},
"fulltext": "高级 Agent 开发工程师（全栈）\n高级 Agent 开发工程师（全栈）\n\n基础信息\n工作地点：北京市\n部门：核心本地商业-美团平台\n职位类别：技术类\n职位族群：软件\n更新时间：2026-09-16\n\n岗位职责\n【岗位定位】\n\nBA Agent 需要一种新型工程角色——不是传统后端，也不是纯算法研究，而是将大模型能力工程化为可靠的 B 端策略与流程执行 Agent 系统的全栈工程师。你将负责构建一个能自主执行资源分配、策略生成与评估的智能体系统，让 AI 从\"回答问题\"进化为\"执行任务并交付产出物\"。\n\n【岗位职责】\n\n1. Agent 架构设计与开发\n\n-设计和构建 BA Agent 的核心 Agent 架构——任务分解、工具调用、多 Agent 编排、执行引擎\n-开发 Skill（能力单元）运行时框架：Skill 注册、路由分发、执行监控、结果聚合\n-设计长链任务的可靠性保障机制：状态持久化、断点续跑、异常恢复、超时治理\n\n2. 模型灵活度与流程稳定性的工程攻坚\n\n-B 端 Agent 的核心技术难题在于：模型具有生成灵活度（同一输入可能产出不同推理路径和结论），但 B 端业务对单一任务的流程稳定性和产出一致性要求极高。你需要在这两个张力之间找到工程化的解法：\n-设计受控推理框架：在保留模型分析和判断能力的同时，通过约束（流程编排、输出 Schema 校验、关键步骤确定性锚点）限制不可控的灵活发散\n-构建流程稳定性保障体系：针对 B 端策略场景设计任务执行的确定性保障——相同输入在合理阈值内产出一致结果，关键决策路径可审计、可复现\n-开发分层容错与降级机制：区分模型推理层（允许不确定性）和流程执行层（要求确定性），当模型输出偏离预期时，通过校验-重试-人工兜底的分级策略保障任务完成\n-设计Prompt 鲁棒性工程：针对同一业务场景的 Prompt，系统化测试和优化其在不同模型版本、不同输入分布下的产出稳定性，建立回归测试基准\n-探索确定性与创造性的动态平衡：在资源分配等高确定性场景收紧约束，在策略探索等需要创造性的场景适度放开，实现场景自适应的控制策略\n\n3. 大模型工程化\n\n-设计和优化 Prompt Engineering 体系，将业务 SOP 结构化为高质量 Prompt 模版或Skill\n-构建 Trace 采集与能力资产化系统：交互轨迹 → 质量评估 → 场景包沉淀 → 能力复用\n-开发模型评测与质量保障体系：针对 B 端策略场景的自动化评测基准\n-优化模型调用链路：成本控制、延迟优化、多模型路由策略\n\n4. 数据集成 & 计算\n\n-构建通用化计算引擎，支撑资源分配、预算优化等策略计算场景\n-开发与业务数据系统（Hive / 数仓 / BI）的集成能力，实现数据驱动的策略生成\n-设计 Agent 与外部系统的标准化对接方案（API / MCP / 数据管道）\n\n岗位基本要求\n【必备能力】\n\n强编程能力：精通 Python，熟悉至少一门系统语言（Go / Java / Rust）。代码质量高，架构设计清晰\n大模型工程：深度理解 LLM 推理、Prompt Engineering、Fine-tuning 等技术，有实际的大模型应用开发经验\nAgent 架构：理解主流 Agent 框架和设计模式：ReAct / Plan-and-Execute / 多 Agent 协作 / Tool Calling / MCP 协议\n模型可控性工程：有在生产环境中解决 LLM 输出不确定性问题的实战经验——包括但不限于：输出格式约束、推理路径收敛、结果一致性校验、温度/采样策略调优、Prompt 鲁棒性优化等\n数据工程：熟悉数据处理全链路（SQL / Hive / Spark / 数仓），能独立完成数据驱动的功能开发\n系统设计：具备复杂系统的架构设计能力，能在可靠性、成本、性能之间做出合理权衡\n产品意识：不只是\"实现需求\"，能从用户和业务视角思考技术方案，有 Product Sense\n\n【经验要求】\n\n-5 年以上后端 / 全栈开发经验，其中至少 1 年大模型或 AI 应用开发经验\n-有 Agent 系统或 AI 应用的从 0 到 1 建设经验\n-有处理复杂业务逻辑（策略计算、资源优化、工作流引擎等）的工程经验\n-有在生产环境中解决「模型输出不确定性 vs 业务流程确定性」矛盾的实际项目经验者优先\n-本科及以上学历，计算机科学或相关专业\n-有前后端开发能力，能独立完成全栈功能交付\n\n岗位亮点\n-真实 Agent 工程挑战：不是调 API 写 Demo，而是构建服务于千亿级别真实业务场景的 Agent 生产系统——可靠性、成本、规模都是真实约束\n-能力资产化闭环：你构建的 Trace 系统直接驱动 Agent 能力提升，形成\"越用越好\"的技术飞轮\n-全栈技术栈：大模型 + Agent 架构 + 数据工程 + 系统设计，拒绝单一技术栈的螺丝钉困境\n-产品级影响力：工程师深度参与产品定义，技术决策直接影响产品走向\n【岗位定位】\n\nBA Agent 需要一种新型工程角色——不是传统后端，也不是纯算法研究，而是将大模型能力工程化为可靠的 B 端策略与流程执行 Agent 系统的全栈工程师。你将负责构建一个能自主执行资源分配、策略生成与评估的智能体系统，让 AI 从\"回答问题\"进化为\"执行任务并交付产出物\"。\n\n【岗位职责】\n\n1. Agent 架构设计与开发\n\n-设计和构建 BA Agent 的核心 Agent 架构——任务分解、工具调用、多 Agent 编排、执行引擎\n-开发 Skill（能力单元）运行时框架：Skill 注册、路由分发、执行监控、结果聚合\n-设计长链任务的可靠性保障机制：状态持久化、断点续跑、异常恢复、超时治理\n\n2. 模型灵活度与流程稳定性的工程攻坚\n\n-B 端 Agent 的核心技术难题在于：模型具有生成灵活度（同一输入可能产出不同推理路径和结论），但 B 端业务对单一任务的流程稳定性和产出一致性要求极高。你需要在这两个张力之间找到工程化的解法：\n-设计受控推理框架：在保留模型分析和判断能力的同时，通过约束（流程编排、输出 Schema 校验、关键步骤确定性锚点）限制不可控的灵活发散\n-构建流程稳定性保障体系：针对 B 端策略场景设计任务执行的确定性保障——相同输入在合理阈值内产出一致结果，关键决策路径可审计、可复现\n-开发分层容错与降级机制：区分模型推理层（允许不确定性）和流程执行层（要求确定性），当模型输出偏离预期时，通过校验-重试-人工兜底的分级策略保障任务完成\n-设计Prompt 鲁棒性工程：针对同一业务场景的 Prompt，系统化测试和优化其在不同模型版本、不同输入分布下的产出稳定性，建立回归测试基准\n-探索确定性与创造性的动态平衡：在资源分配等高确定性场景收紧约束，在策略探索等需要创造性的场景适度放开，实现场景自适应的控制策略\n\n3. 大模型工程化\n\n-设计和优化 Prompt Engineering 体系，将业务 SOP 结构化为高质量 Prompt 模版或Skill\n-构建 Trace 采集与能力资产化系统：交互轨迹 → 质量评估 → 场景包沉淀 → 能力复用\n-开发模型评测与质量保障体系：针对 B 端策略场景的自动化评测基准\n-优化模型调用链路：成本控制、延迟优化、多模型路由策略\n\n4. 数据集成 & 计算\n\n-构建通用化计算引擎，支撑资源分配、预算优化等策略计算场景\n-开发与业务数据系统（Hive / 数仓 / BI）的集成能力，实现数据驱动的策略生成\n-设计 Agent 与外部系统的标准化对接方案（API / MCP / 数据管道）\n【必备能力】\n\n强编程能力：精通 Python，熟悉至少一门系统语言（Go / Java / Rust）。代码质量高，架构设计清晰\n大模型工程：深度理解 LLM 推理、Prompt Engineering、Fine-tuning 等技术，有实际的大模型应用开发经验\nAgent 架构：理解主流 Agent 框架和设计模式：ReAct / Plan-and-Execute / 多 Agent 协作 / Tool Calling / MCP 协议\n模型可控性工程：有在生产环境中解决 LLM 输出不确定性问题的实战经验——包括但不限于：输出格式约束、推理路径收敛、结果一致性校验、温度/采样策略调优、Prompt 鲁棒性优化等\n数据工程：熟悉数据处理全链路（SQL / Hive / Spark / 数仓），能独立完成数据驱动的功能开发\n系统设计：具备复杂系统的架构设计能力，能在可靠性、成本、性能之间做出合理权衡\n产品意识：不只是\"实现需求\"，能从用户和业务视角思考技术方案，有 Product Sense\n\n【经验要求】\n\n-5 年以上后端 / 全栈开发经验，其中至少 1 年大模型或 AI 应用开发经验\n-有 Agent 系统或 AI 应用的从 0 到 1 建设经验\n-有处理复杂业务逻辑（策略计算、资源优化、工作流引擎等）的工程经验\n-有在生产环境中解决「模型输出不确定性 vs 业务流程确定性」矛盾的实际项目经验者优先\n-本科及以上学历，计算机科学或相关专业\n-有前后端开发能力，能独立完成全栈功能交付",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}