AI Agent 工程师负责把大模型接上工具与数据，做成能自己拆解任务、多步执行的智能体。
AI Agent 工程师做的是「让大模型能干活」这件事。普通的大模型应用是一问一答，而 Agent 要能自己把一个目标拆成多步、调用外部工具、根据结果决定下一步，比如查数据库、调 API、写文件、必要时再问用户一句。
这个岗位和传统算法岗的分工完全不同。算法岗训练模型本身，Agent 工程师基本不训模型，而是围绕已有模型做工程：设计提示词与任务分解策略、定义工具接口、管理上下文与记忆、处理模型输出不稳定时的重试与兜底、控制调用成本。
可以说它更接近「用大模型写系统」。
需要提醒的是这个岗位名还没有统一定义。有的公司叫它 LLM 应用工程师，有的把它并进后端或算法团队，职责从纯 Prompt 编排到要自己微调模型都有。看到这个岗位时，最实际的做法是问清楚：要不要训模型、有没有现成的 Agent 框架、线上有多少真实流量。
三个答案决定了这份工作的真实内容。
Agent 工程师的日常在「调通」和「调稳」之间循环：先让一条链路跑通，再想办法让它在真实用户的各种输入下不崩。
这个岗位最容易被低估的是评测。没有评测集时，每次改提示词都像在赌博——看着几个例子变好了就上线，实际可能让另一批场景变差。
搭评测往往比写功能更花时间。
Agent 工程师的能力结构是「扎实的后端工程 + 对模型行为的理解」。只懂提示词做不出稳定系统，只懂后端又不知道模型会在哪里出错。
判断一个 Agent 工程师成熟与否，可以看他遇到「效果不好」时的第一反应：是继续改提示词，还是先去看调用链路里哪一步偏了。前者可以无限试错却说不清收益，后者才能把问题收敛。
这个差别在没有评测和链路记录时尤其明显。
Agent 是当前大模型落地最主要的形态之一，需求集中在有真实业务场景的公司：客服、内部效率工具、垂直行业助手。它的门槛特点是「工程能力为主、算法为辅」，所以后端工程师转过来的路径比较通畅。
建议把重心放在「让系统可靠」这件事上：评测、可观测、失败处理。
这部分能力在框架换代时不会贬值。
Agent 岗的面试通常绕不开两件事：你做过的东西有没有上线，以及你怎么衡量它好不好。
准备建议：准备一个能讲透的项目，说清楚它解决什么问题、上线后遇到什么问题、你怎么发现并修复的。
只讲「用了什么框架」很难通过，因为框架谁都会用，面试官想知道的是你在框架解决不了的地方做了什么判断。
AI Agent 工程师负责把大模型接上工具和数据，做成能自己拆解任务、多步执行的智能体。日常工作包括任务编排、工具接口封装、上下文与记忆管理、评测与回归、异常兜底以及成本优化，重点是工程而不是训练模型。
算法工程师训练和优化模型本身，涉及数据、训练框架和模型结构；Agent 工程师基本不训模型，而是围绕已有模型做工程，设计任务分解、接入工具、保证线上稳定。前者更偏研究与训练，后者更接近用大模型写系统。
首先是扎实的编程与后端工程能力（以 Python 为主），其次是大模型 API 的实际使用经验，包括工具调用与结构化输出，再加上检索、评测和可观测能力。只会拼提示词而不懂工程与评测，可替代性会随工具成熟快速上升。
Agent 是当前大模型落地的主要形态之一，需求集中在有真实业务场景的公司。需要清醒看待的是技术栈变化快、不少岗位实际停留在做演示原型。可迁移的能力是让系统可靠的那部分——评测、可观测、失败处理，这些在框架换代时不会贬值。
知道岗位做什么，和让 HR 从你的简历里看出你能做，是两件事。简历里的经历要按这个岗位的 JD（岗位要求）重新组织关键词，还得先过得了机器筛选。基础功能免费； 秋招冲刺包 ¥499：AI简历姬 1 年会员（简历诊断、JD 匹配优化、AI 模拟面试） + 1 次 1V1 深度语音求职指导 + 1 年微信答疑。
用于提升求职方向判断与准备效率，不承诺录用结果；不提供代投服务，不保证内推或 Offer。
内容说明：本页内容按公开资料整理并经人工复核，用于帮助了解岗位，不构成招聘承诺。薪资、行业数据只在能追溯到公开来源时展示，其余留空。具体岗位职责和要求，请以用人单位发布的招聘公告为准。
TEMPLATES