小红书AI Agent开发工程师（终端 & Server）
任职要求
1、本科及以上学历，计算机、软件工程、人工智能等相关专业，具备约 3 年终端、后端或 AI 应用研发经验，并具备端云协同的系统视角。 2、熟悉至少一种终端技术栈，如 iOS、Android、Web 或跨端框架；同时熟练掌握 Java、Go、Python、TypeScript 中至少一种服务端语言，具备良好的数据结构、网络、并发和工程基础。 3、熟悉终端应用生命周期、页面与路由状态、网络通信、权限与系统能力调用，能够处理弱网、前后台切换、流式渲染、状态恢复和性能优化等实际问题。 4、具备 BFF 或复杂服务端系统研发经验，理解 API 聚合、协议设计、会话状态、异步任务、缓存、幂等、限流、熔断、降级及可观测性等生产工程问题。 5、熟悉 LLM 应用开发范式，理解 Prompt Engineering、RAG、Embedding、Tool / Function Calling、ReAct、结构化输出和流式推理等核心概念。 6、具备 AI Agent 项目实践，能够独立完成上下文管理、多轮模型交互、任务编排、工具调用、终端接入或 BFF 中一个或多个核心模块的设计与开发。 7、理解上下文工程的关键约束，能够围绕不同页面和终端环境设计上下文采集、语义建模、优先…
工作职责
1、负责面向搜索、问答、推荐及复杂任务场景的 AI Agent 应用研发，覆盖终端、BFF 与 Agent Server，从需求分析、方案设计、工程实现到上线迭代形成端到端闭环。 2、建设终端侧 Agent 交互与运行能力，支持多轮对话、流式生成、工具执行状态展示、任务中断与恢复、用户确认、异常兜底及跨页面连续体验，持续优化首屏响应、交互延迟和终端稳定性。 3、负责终端环境上下文的采集、治理与注入，将当前页面、内容对象、用户选中信息、操作状态、任务进度、设备能力、权限、网络状态和应用版本等信息，经过标准化、裁剪、压缩与安全过滤后注入 Agent，提升模型对“用户当前所处环境”的理解和执行准确性。 4、计多轮模型交互的上下文工程体系，覆盖消息构造、历史筛选、Token 预算、上下文压缩、会话与任务状态隔离、短期与长期记忆，以及 RAG 和工具结果的组织与回填。 5、设计和研发面向 AI 应用的 BFF，完成终端协议适配、会话管理、上下文聚合、模型与工具编排、流式传输、多模态输入输出、状态同步、灰度实验、降级兜底及跨端一致性建设。 6、探索从 BFF 到生成式 UI 的新型交互链路，建设 Schema / DSL、组件注册与动态渲染机制，使模型能够根据任务状态生成结构化界面、操作建议和交互组件；同时完善协议校验、组件白名单、权限控制、埋点反馈及确定性 UI 降级能力。 7、设计和实现 Agent 核心执行链路，包括任务规划、ReAct 推理循环、模型与工具交替执行、状态流转、超时重试、异常降级和结果溯源，并建设可扩展的 Tool 注册、参数校验、并行调度与调用追踪体系。 8、建立端到端质量保障与可观测体系，覆盖终端行为、BFF、模型推理、上下文、RAG、工具调用和生成式 UI，建设离线评测、过程评测、线上指标、Bad Case 归因、链路追踪和性能优化机制。 9、与产品、设计、算法、终端和服务端团队协作，将模型能力、业务工具和交互创新整合为可持续迭代、可规模化复用的 AI 应用能力。
负责 C 端创新产品中的 AI Agent 能力建设，推动 AI 能力从概念验证走向真实用户可用的产品体验。 围绕用户需求和业务目标，设计并落地智能交互、任务协作、个性化服务、主动推荐等 AI 产品能力。 负责 AI Agent 应用的核心架构设计与工程实现，保障系统在效果、稳定性、性能、成本和可扩展性上的持续优化。 持续优化 Agent 在理解、规划、执行、反馈等关键环节的表现，提升用户体验和业务转化效果。 建立面向真实用户场景的 AI 效果评估和迭代机制，通过数据、实验和用户反馈持续改进产品能力。 跟进大模型与 Agent 相关前沿技术，判断其在 C 端创新场景中的适用性，并推动快速验证和产品化落地。
1. 负责CatPaw SDK/CLI能力建设，设计并实现Skill/Plugin体系，持续提升开发者体验。 2. 基于OpenClaw构建CatClaw集群，负责多智能体运行时、路由调度、会话管理及记忆系统的设计与开发。 3. 主导AI编排层开发，包括多模型调度、Prompt工程、Function Calling及上下文管理机制。 4. 推动IM/社交/办公等多端渠道的场景接入，支持浏览器自动化能力集成。 5. 构建安全隔离体系，实现多租户权限控制与数据沙箱机制，保障系统安全性与稳定性。
AI Agent 开发工程师 职位描述 负责 AI Agent 核心能力的设计与研发，包括任务规划（Planning）、工具调用（Tool Use）、记忆管理（Memory）、多轮对话管理等模块； 设计并实现 Multi-Agent 协作架构，包括子 Agent 路由、任务拆解与分配、Agent 间通信协议、结果聚合与冲突消解； 搭建 Agent 评测体系，设计评测数据集与评测维度（准确性、工具调用正确率、任务完成率），建设 A/B 评测流水线，持续优化 Agent 效果； 参与 Agent Harness 框架建设，包括 Agent 执行的编排调度、错误处理与重试机制、降级策略、可观测性（日志、Tracing、Token 用量、延迟监控）； 基于主流 Agent 框架开发可复用的 Agent Skill（技能包），制定 Skill 开发规范，推动 Agent 能力模块化； 参与知识库与检索系统的建设与优化：知识抽取、文档解析、混合检索、重排序等，构建领域知识库和语义索引系统； 使用 AI Coding 工具（Cursor/Claude Code/Codex）进行日常研发，实践 Vibe Coding 范式，持续提升研发效能。
1. 参与 AI Agent 服务层的整体架构设计与落地，建设智能数据高效流转，包括数据接入、清洗、标注、元数据与血缘增强、数据治理、数据安全。 2. 面向大模型与Agent，设计并实现核心服务层组件，负责Agent场景的效果优化，深入研究LLM后训练相关技术，包括CPT/SFT/RLHF/RLVR等，提高算法准确率和效率。 3. 构建可复用的 Agent 框架与组件库（记忆模块、工具箱、调度器等），实现不同任务的快速拼接、部署与生产落地。 4. 跟踪LLM领域的最新研究成果，用以持续提升算法应用效果，研究方向包括但不限于强化学习中的奖励模型的优化和创新，AgentRL，可验证奖励的构建和扩充。 5. 关注前沿 AI 技术在 Agent 场景的落地可用性，推动试点、验证与落地。