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": "高级研发工程师",
"job_level": "高级",AI生成
"work_category": "全职",AI生成
"department": "智能邮件事业部",
"location": "杭州市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "网易",
"company_industry": "互联网 / 游戏 / 数字内容",
"company_size": "10000人以上",
"company_website": "netease.com",
"company_description": "网易提供互联网和游戏服务，并通过有道、网易云音乐、网易严选等业务提供学习、音乐及消费服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 2,
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. AI Skill全生命周期研发\n• 需求分析与抽象：深入对接业务侧高频场景（包括竞品情报收集、多平台商品Listing自动生成、销售报表自动化处理、竞品数据抓取等），提炼共性逻辑，输出标准化的Skill功能定义与技术方案。\n• 标准化封装：利用LangChain、Semantic Kernel或自研RAG框架，将业务逻辑、API调用与LLM推理链路封装为高内聚、低耦合的可复用Skill模块，确保其支持多租户隔离与版本热更新。\n• 工具链集成：为Skill接入外部工具（网页解析、Excel读写、向量检索、HTTP Client），丰富Skill的感知与执行能力。\n\n2. Prompt工程与质量调优（核心落地环节）\n• 精调Prompt策略：针对每个Skill的业务特性，设计差异化的System Prompt、Few-shot示例及思维链（CoT）模板，解决输出格式不稳定、事实性幻觉及上下文窗口溢出等工程难题。\n• 效果评估与迭代：建立Skill输出的自动化测评指标（如BLEU、格式校验通过率、关键字段缺失率），通过Bad Case复盘驱动Prompt版本迭代，将单任务执行成功率稳定在业务阈值以上。\n• 成本与性能优化：通过控制输入Token压缩率、动态选择模型参数，在保证输出质量的前提下降低推理成本与响应延迟。\n\n3. Agent工作流协作与调度适配\n• 调度逻辑协同：参与多Agent调度系统的架构评审，定义Skill的输入/输出契约（Schema），确保所开发的Skill能被主控Agent正确识别、规划与异步调用。\n• 复杂任务拆解支持：配合算法团队优化Agent对于多步任务的拆解策略，使组合多个Skill能协同完成“竞品监控日报生成”等复合型业务目标。\n• 异常处理机制：为Skill设计完善的超时重试、降级回复与人工介入兜底逻辑，保障工作流在异常情况下的鲁棒性。",
"requirements_text": "1. 本科及以上学历,计算机相关专业;\n2. 2年以上后端/全栈开发经验，有实际的LLM应用开发经历(不限时长，但需要有可展示的项目或成果)。 Python为主力语言(Node.js/Java也可)，熟悉RESTful API设计和至少一种关系型数据库。有实际的Prompt Engineering经验，能针对具体业务场景调出稳定可用的输出\n3. 了解Agent的基本设计模式(如ReAct、function calling流程)，熟悉LangChain/Llamalndex或类似框架。\n4. 能快速理解业务逻辑这个岗位的难点不在技术深度，在于把模糊的业务需求转化为结构化的 Agent执行流程。",
"skills": [AI生成
"Python",
"Java",
"React",
"数据库"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://hr.163.com/job-detail.html?id=68887&lang=zh"
}
]
},
"posting": {
"posting_id": "68887",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://hr.163.com/job-detail.html?id=68887&lang=zh"
},
"fulltext": "高级研发工程师\n职位描述\n1. AI Skill全生命周期研发\n• 需求分析与抽象：深入对接业务侧高频场景（包括竞品情报收集、多平台商品Listing自动生成、销售报表自动化处理、竞品数据抓取等），提炼共性逻辑，输出标准化的Skill功能定义与技术方案。\n• 标准化封装：利用LangChain、Semantic Kernel或自研RAG框架，将业务逻辑、API调用与LLM推理链路封装为高内聚、低耦合的可复用Skill模块，确保其支持多租户隔离与版本热更新。\n• 工具链集成：为Skill接入外部工具（网页解析、Excel读写、向量检索、HTTP Client），丰富Skill的感知与执行能力。\n\n2. Prompt工程与质量调优（核心落地环节）\n• 精调Prompt策略：针对每个Skill的业务特性，设计差异化的System Prompt、Few-shot示例及思维链（CoT）模板，解决输出格式不稳定、事实性幻觉及上下文窗口溢出等工程难题。\n• 效果评估与迭代：建立Skill输出的自动化测评指标（如BLEU、格式校验通过率、关键字段缺失率），通过Bad Case复盘驱动Prompt版本迭代，将单任务执行成功率稳定在业务阈值以上。\n• 成本与性能优化：通过控制输入Token压缩率、动态选择模型参数，在保证输出质量的前提下降低推理成本与响应延迟。\n\n3. Agent工作流协作与调度适配\n• 调度逻辑协同：参与多Agent调度系统的架构评审，定义Skill的输入/输出契约（Schema），确保所开发的Skill能被主控Agent正确识别、规划与异步调用。\n• 复杂任务拆解支持：配合算法团队优化Agent对于多步任务的拆解策略，使组合多个Skill能协同完成“竞品监控日报生成”等复合型业务目标。\n• 异常处理机制：为Skill设计完善的超时重试、降级回复与人工介入兜底逻辑，保障工作流在异常情况下的鲁棒性。\n\n职位要求\n1. 本科及以上学历,计算机相关专业;\n2. 2年以上后端/全栈开发经验，有实际的LLM应用开发经历(不限时长，但需要有可展示的项目或成果)。 Python为主力语言(Node.js/Java也可)，熟悉RESTful API设计和至少一种关系型数据库。有实际的Prompt Engineering经验，能针对具体业务场景调出稳定可用的输出\n3. 了解Agent的基本设计模式(如ReAct、function calling流程)，熟悉LangChain/Llamalndex或类似框架。\n4. 能快速理解业务逻辑这个岗位的难点不在技术深度，在于把模糊的业务需求转化为结构化的 Agent执行流程。\n1. AI Skill全生命周期研发\n• 需求分析与抽象：深入对接业务侧高频场景（包括竞品情报收集、多平台商品Listing自动生成、销售报表自动化处理、竞品数据抓取等），提炼共性逻辑，输出标准化的Skill功能定义与技术方案。\n• 标准化封装：利用LangChain、Semantic Kernel或自研RAG框架，将业务逻辑、API调用与LLM推理链路封装为高内聚、低耦合的可复用Skill模块，确保其支持多租户隔离与版本热更新。\n• 工具链集成：为Skill接入外部工具（网页解析、Excel读写、向量检索、HTTP Client），丰富Skill的感知与执行能力。\n\n2. Prompt工程与质量调优（核心落地环节）\n• 精调Prompt策略：针对每个Skill的业务特性，设计差异化的System Prompt、Few-shot示例及思维链（CoT）模板，解决输出格式不稳定、事实性幻觉及上下文窗口溢出等工程难题。\n• 效果评估与迭代：建立Skill输出的自动化测评指标（如BLEU、格式校验通过率、关键字段缺失率），通过Bad Case复盘驱动Prompt版本迭代，将单任务执行成功率稳定在业务阈值以上。\n• 成本与性能优化：通过控制输入Token压缩率、动态选择模型参数，在保证输出质量的前提下降低推理成本与响应延迟。\n\n3. Agent工作流协作与调度适配\n• 调度逻辑协同：参与多Agent调度系统的架构评审，定义Skill的输入/输出契约（Schema），确保所开发的Skill能被主控Agent正确识别、规划与异步调用。\n• 复杂任务拆解支持：配合算法团队优化Agent对于多步任务的拆解策略，使组合多个Skill能协同完成“竞品监控日报生成”等复合型业务目标。\n• 异常处理机制：为Skill设计完善的超时重试、降级回复与人工介入兜底逻辑，保障工作流在异常情况下的鲁棒性。\n1. 本科及以上学历,计算机相关专业;\n2. 2年以上后端/全栈开发经验，有实际的LLM应用开发经历(不限时长，但需要有可展示的项目或成果)。 Python为主力语言(Node.js/Java也可)，熟悉RESTful API设计和至少一种关系型数据库。有实际的Prompt Engineering经验，能针对具体业务场景调出稳定可用的输出\n3. 了解Agent的基本设计模式(如ReAct、function calling流程)，熟悉LangChain/Llamalndex或类似框架。\n4. 能快速理解业务逻辑这个岗位的难点不在技术深度，在于把模糊的业务需求转化为结构化的 Agent执行流程。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}