小米AI Agent 架构师 / Tech Lead
任职要求
- 本科及以上学历，计算机/AI相关专业，5年以上后端架构或AI系统开发经验 - 深入理解AI Agent架构，熟悉OpenClaw核心机制 - 扎实的传统Agent框架经验：精通LangChain、LangGraph、CrewAI、AutoGen中至少两种，有多Agent协作/Workflow编排的生产级落地经验 - 熟悉MCP（Model Context Protocol）协议，有MCP Serve…
工作职责
1. 主导企业AI Agent系统整体技术架构设计，覆盖Agent Runtime、Memory、Skills、MCP协议、Harness安全层等核心模块 2. 制定技术选型方案，评估并整合OpenClaw、Manus等新一代Agent框架，同时兼容LangChain/LangGraph等成熟框架的已有能力 3. 设计Agent Loop执行引擎、多通道Gateway、任务队列调度机制，确保系统可扩展性与稳定性 4. 规划Agent安全架构（OpenClaw/NanoClaw/IronClaw三层模型），确保企业数据安全合规 5. 建立Agent评测体系，定义评测维度（任务完成率、推理准确性、工具调用成功率、幻觉率等），推动持续质量改进 6. 带领Agent开发团队，制定技术规范，主导架构评审，持续跟踪行业前沿
1、深入行业（金融、汽车、游戏、电商等）业务链路，主动挖掘高价值的Agent应用场景，定义Agent的业务边界，设计面向复杂任务的智能工作流与多步骤规划方案； 2、基于火山方舟平台，负责Agent系统的端到端设计与实现，涵盖Context Engineering（上下文工程）、State Management（状态管理）、Tool Orchestration（工具编排）及Memory（长短期记忆）等核心组件的调优； 3、针对Agent在特定行业的需求，设计闭环的效果评估体系；协同算法团队进行SFT（微调）与Prompt策略调优，解决Agent在实际场景中的问题； 4、沉淀Agent架构设计的最佳实践，输出可复用的Agent资产库（如标准Skill、Sandbox配置、行业提示词模板）。
Lab 是小红书面向未来的创新孵化团队，正在构建下一代 AI-native 产品的底层能力。作为 AI Agent 架构工程师，你将专注于 Agent 系统的核心工程问题：如何让多个 Agent 可靠协作、如何管理复杂的上下文与记忆、如何让 Agent 具备感知、规划与执行的能力。这是一个深度结合系统工程与前沿 AI 的角色。 1.Agent 框架设计：设计并实现面向业务场景的 AI Agent 运行时，涵盖任务规划（Planning）、工具调用（Tool Use）、记忆管理（Memory）、反思与自我纠错（Reflection）等核心模块 2.Multi-Agent 编排：构建多 Agent 协作系统，解决 Agent 间通信协议、任务分配、状态同步、冲突处理等工程难题，实现复杂任务的自动化分解与并行执行 3.工具与环境集成：设计可扩展的 Tool 注册与调用机制，对接外部 API、数据库、代码执行环境等多类工具，打造 Agent 可信赖的操作环境 4.可靠性与可观测性：建立 Agent 系统的评估基准（Eval）、执行轨迹追踪、异常检测与降级机制，确保 Agent 在生产环境中的稳定运行 5.技术前瞻与标准建设：跟踪 Agent 领域最新进展（A2A、MCP、OpenAI Swarm 等），将前沿技术能力转化为团队可复用的工程基础设施
我们寻找的是AI Native——把AI当作第一生产力，能用Prompt思考、用AI构建、用Agent工作的人; 你将直接参与打造下一代AI原生产品，与最先进的大模型（GPT-4、Claude、Gemini、DeepSeek等）深度协作，探索人机协作的全新工作范式。 你将做什么 1. AI Native 产品与能力建设 • 负责 AI 原生产品或核心能力模块的规划、设计与落地，推动从 0 到 1 创新及从 1 到 N 规模化复制 • 结合业务场景，设计并落地多模态交互、智能问答、Agent 工作流、个性化推荐、内容生成等核心能力 • 深入理解用户需求与业务链路，识别 AI 在提效、增收、体验升级中的关键切入点，形成可验证的产品方案 • 推动复杂 AI 功能的产品化与工程化落地，兼顾效果、成本、稳定性与可运营性 2. 大模型应用架构与 Prompt/Skill 体系建设 • 设计和优化高质量 Prompt 模板、System Prompt、Few-shot 示例与任务编排策略，建立可复用的 Prompt 资产体系 • 结合 RAG、Function Calling、MCP、工作流编排等能力，设计端到端 AI 应用方案 • 构建并沉淀 AI Skills / Tools / Agent 能力体系，提升 AI 在垂直场景中的任务完成率和业务价值 • 针对复杂任务设计可执行的 AI Agent 工作流，实现任务自动化、协同化与闭环化 3. 业务落地与效果运营 • 建立 AI 产品效果评估机制，基于实验、数据分析与用户反馈持续优化核心指标 • 推动模型能力、产品体验与业务目标之间的对齐，在效果、时延、成本、风险之间做系统性权衡 • 与研发、算法、数据、运营等团队紧密协作，推进复杂项目的全链路落地 • 对重点项目的业务结果负责，能够将 AI 能力转化为明确的业务收益、用户价值和组织效率提升 4. 前沿探索与团队赋能 • 持续跟踪大模型、多模态、Agent、RAG 等方向的技术演进，评估其在实际业务中的适用性与投入产出比 • 沉淀 AI Native 产品方法论、最佳实践和标准流程，推动团队能力升级 • 对内推动 AI 认知统一与能力普及，对外关注行业趋势、开源生态与优秀案例，持续提升团队与组织影响力
1、负责视频创作 Agent 平台的架构设计，针对复杂的视频生成、图文理解与媒体处理流程，设计基于 Agent 协作与 Workflow 编排的系统架构； 2、以前场交付视角深度参与创作者业务需求分析，将非标创作 SOP 转化为可被 Agent 理解、执行和追踪的任务链路与编排流程； 3、主导 Agent 记忆系统、规划引擎（Planning）及多模态工具集（Tool / Skills，含图文生成 API、视频生成 API、FFmpeg 视频处理等）的标准化框架开发； 4、解决 Agent 在长链路调用中的输出不稳定、上下文丢失、工具误调用、推理成本及响应延迟等工程问题；在无底层模型微调的约束下，通过 Prompt 编排、状态注入和工程兜底机制，提升视频跨镜头的角色一致性； 5、构建针对非确定性生成的评测集（Evaluation Harness）及自动化评估系统，量化 Agent 工具调用准确率、任务执行成功率与多模态内容生成质量，提升效果稳定性和迭代效率； 6、关注 LLM、RAG、Agent 及 AI 视频生成领域的技术进展，并结合业务场景进行验证和落地，沉淀可复用的工程框架与实践经验。