安全AI基础架构-AI Agent研发工程师-AI基础平台

● 负责Agent企业级组织上下文、知识库与RAG 研发：负责企业级组织上下文、Agent 知识库及 RAG 服务的设计与开发，覆盖知识接入、索引更新、检索重排与权限控制，持续优化知识召回质量、任务效果、时延及成本。
● 负责Agent上下文管理&Memory系统研发，覆盖上下文抽取、存储、检索、更新（冲突处理和遗忘机制），持续优化召回质量和任务效果
● 负责Benchmark建设与评测体系搭建，结合业界开源Benchmark与业务深度协作，沉淀网络安全、内容安全、行为安全等多场景下真实业务的端到端评测方案，看清能力水位；同时支撑大规模复杂并发任务，保障工具调用的稳定性
● 负责Harness持续优化，以评测数据驱动归因分析与问题修复，建立"归因—修复—验证"闭环，提升业务效果，并在保障效果的同时持续降低Token成本

● 扎实的工程能力：熟练掌握 Python、Java、C++ 等至少一种编程语言，具备良好的系统设计和工程化能力；熟悉分布式任务调度及 Docker、Kubernetes 等容器化技术
● LLM 与 Agent 领域经验：深入理解大语言模型的工作原理与能力边界，有 Agent 框架（如 ReAct、Tool-use、Multi-Agent 编排）的实际使用或开发经验
● 企业级组织上下文与知识库能力：具备知识库、RAG 或上下文系统的实际研发经验，熟悉多源知识接入、Embedding、向量数据库、混合检索及重排；理解企业知识的权限控制、版本管理、增量更新，能够将组织职责、业务规则和知识资产等转化为 Agent 可用的上下文。
●上下文&Memory：熟悉 RAG、Embedding、向量数据库及检索重排，理解记忆生成、召回、更新、去重、冲突处理和遗忘等完整生命周期；能够量化评估 Memory 对业务效果、时延及成本的影响。
● 评测与数据分析能力：具备 Benchmark 和评测指标设计经验，理解任务完成率、pass@k、评测一致性、区分度及数据质量控制, 能够完成根因分析并推动优化方案落地; 熟悉主流 Agent 评测方法论（如 τ-bench、SWE-bench、过程评测与结果评测对比）
●