{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "Agent算法工程师",
        "job_level": "中级",AI生成
        "work_category": "全职",AI生成
        "department": "",
        "location": "北京·通州区·马驹桥",
        "work_mode": "现场办公",AI生成
        "job_category": "AI模型算法工程师"AI生成
    },
    "company": {
        "company_name": "房懂懂",
        "company_industry": "互联网",
        "company_size": "100-499人",
        "company_website": "",
        "company_description": "房懂懂是国内领先的面向家庭全生命周期的 AI 居住决策支持平台，以 \"成为最受信任的居住服务伙伴\" 为使命，致力于在人生关键节点，帮助家庭做出更正确的重大居住与生活决策。"
    },
    "compensation": {
        "salary_range": {
            "min": 40000,
            "max": 70000,
            "currency": "元",
            "cycle": "月"
        },
        "benefits": "带薪年假 | 定期体检 | 五险一金"
    },
    "requirements": {
        "working_years": 3,
        "degree": "本科",
        "language": "中文",AI生成
        "visa_support": "",
        "responsibilities": "agent应用开发落地\n大模型算法\n自然语言处理算法\n算法工程化经验\nagent开发\nagent架构设计\nharness工程\nPython\n我们在做什么\n一个 AI+房产决策支持系统——卖旧买新怎么决策、二手房值不值、新房贵不贵、户型有没有雷、这个板块未来涨不涨， AI 来回答。现在需要⼀个⼈，为这套决策系统装上\"⼤脑\"，打造能自主感知、思考、调用⼯具、给出结论、自我反思的智能体。\n1.设计 AI 选房 Agent 系统整体架构，包括任务规划、工具调用、记忆管理、多步骤推理，驱动\"AI 购房顾问\"完整服务闭环；\n2.规划多 Agent 协作机制，包括选房 Agent、估价 Agent、对比 Agent、排雷 Agent 之间的分工、通信协议和冲突仲裁；\n3.用 Function Calling / MCP 协议，将房产数据、估价模型、地图 API、政策库等封装为 Agent 可调用的标准化工具链；\n4.设计 Agent 的短期记忆（对话上下文窗口管理）和长期记忆（用户偏好、历史决策、专家知识沉淀），让 Agent 越用越懂用户；\n5.MVP 阶段从 0 到 1 交付可体验的 AI 选房产品；后续规划多城市覆盖和房产评测功能升级的技术演进路径；\n6.建立 Agent 表现的评估体系，覆盖准确率、延迟、成本、可靠性和用户体验，推动产品持续迭代；\n7.与本体数据团队、产品和工程团队紧密协作，确保 Agent 能力与底层数据和业务场景深度打通。",
        "requirements_text": "1.本科及以上学历，计算机、人工智能、数学等相关专业，2 年以上 Agent 或 LLM 应用系统开发经验；\n2.深入理解 Transformer、Prompt Engineering、RAG、Agent 范式（ReAct / Plan-and-Solve / multi-agent），清楚各自适用场景和局限\n熟悉至少一个 Agent 开发框架（LangChain / LlamaIndex / CrewAI / Dify），清楚边界；\n3.精通 Python，有过将 AI 系统部署到生产环境的经验；\n4.理解系统权衡：模型的\"聪明程度\" vs 延迟 vs 成本 vs 可靠性，能在有限资源下做务实决策；\n5.熟悉向量数据库（Milvus / Pinecone / Weaviate）和 Agent 记忆系统设计\n能从 0 到 1 在有限时间和资源下快速交付可用的东西，不追求一步完美。",
        "skills": [AI生成
            "业务理解与场景抽象",
            "产品迭代管理",
            "用户研究与体验优化",
            "Agent系统构建",
            "Prompt工程",
            "RAG与检索增强",
            "工具调用/MCP",
            "上下文/知识工程",
            "模型/Agent评测体系",
            "技术可行性与系统架构",
            "部署上线与环境配置",
            "编程与代码实现",
            "数据库/缓存/向量库"
        ],
        "preferred_qualifications": "1.做过推荐系统、对话系统、搜索引擎或决策类产品的架构设计；\n2.有 GraphRAG、知识图谱+Agent 结合、多 Agent 协作的实战经验；\n3.有搜推广、NLP 或强化学习背景，能从算法层面理解 Agent 的推理和决策；\n4.有创业团队或早期产品经历，能接受\"先做出来再优化\"的节奏；\n5.熟悉 Docker/K8s、服务部署、监控告警、成本控制等生产环境治理\n有开源项目、技术博客、行业分享或论文；\n6.会用 Cursor / Copilot / Claude Code 等 AI 编程工具提效。",
        "job_highlights": "3-5年 | 本科"
    },
    "contact": {
        "recruiter_name": "郭雅妃",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/c332b5802c6f0ce70nF43N-5EFFS.html"
            }
        ]
    },
    "posting": {
        "posting_id": "c332b5802c6f0ce70nF43N-5EFFS",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/c332b5802c6f0ce70nF43N-5EFFS.html"
    },
    "fulltext": "agent应用开发落地\n大模型算法\n自然语言处理算法\n算法工程化经验\nagent开发\nagent架构设计\nharness工程\nPython\n我们在做什么\n一个 AI+房产决策支持系统——卖旧买新怎么决策、二手房值不值、新房贵不贵、户型有没有雷、这个板块未来涨不涨， AI 来回答。现在需要⼀个⼈，为这套决策系统装上\"⼤脑\"，打造能自主感知、思考、调用⼯具、给出结论、自我反思的智能体。\n岗位职责\n1.设计 AI 选房 Agent 系统整体架构，包括任务规划、工具调用、记忆管理、多步骤推理，驱动\"AI 购房顾问\"完整服务闭环；\n2.规划多 Agent 协作机制，包括选房 Agent、估价 Agent、对比 Agent、排雷 Agent 之间的分工、通信协议和冲突仲裁；\n3.用 Function Calling / MCP 协议，将房产数据、估价模型、地图 API、政策库等封装为 Agent 可调用的标准化工具链；\n4.设计 Agent 的短期记忆（对话上下文窗口管理）和长期记忆（用户偏好、历史决策、专家知识沉淀），让 Agent 越用越懂用户；\n5.MVP 阶段从 0 到 1 交付可体验的 AI 选房产品；后续规划多城市覆盖和房产评测功能升级的技术演进路径；\n6.建立 Agent 表现的评估体系，覆盖准确率、延迟、成本、可靠性和用户体验，推动产品持续迭代；\n7.与本体数据团队、产品和工程团队紧密协作，确保 Agent 能力与底层数据和业务场景深度打通。\n任职要求\n1.本科及以上学历，计算机、人工智能、数学等相关专业，2 年以上 Agent 或 LLM 应用系统开发经验；\n2.深入理解 Transformer、Prompt Engineering、RAG、Agent 范式（ReAct / Plan-and-Solve / multi-agent），清楚各自适用场景和局限\n熟悉至少一个 Agent 开发框架（LangChain / LlamaIndex / CrewAI / Dify），清楚边界；\n3.精通 Python，有过将 AI 系统部署到生产环境的经验；\n4.理解系统权衡：模型的\"聪明程度\" vs 延迟 vs 成本 vs 可靠性，能在有限资源下做务实决策；\n5.熟悉向量数据库（Milvus / Pinecone / Weaviate）和 Agent 记忆系统设计\n能从 0 到 1 在有限时间和资源下快速交付可用的东西，不追求一步完美。\n加分项\n1.做过推荐系统、对话系统、搜索引擎或决策类产品的架构设计；\n2.有 GraphRAG、知识图谱+Agent 结合、多 Agent 协作的实战经验；\n3.有搜推广、NLP 或强化学习背景，能从算法层面理解 Agent 的推理和决策；\n4.有创业团队或早期产品经历，能接受\"先做出来再优化\"的节奏；\n5.熟悉 Docker/K8s、服务部署、监控告警、成本控制等生产环境治理\n有开源项目、技术博客、行业分享或论文；\n6.会用 Cursor / Copilot / Claude Code 等 AI 编程工具提效。"
}