AI架构师
Veröffentlicht am: 19.05.2026
shenzhen South China Chinesisches Festland
Festanstellung
Informationstechnologie
职位概览
我们正在寻找一位对 Agent有深厚理解的开发者，负责构建能够自主规划、调用工具并具备逻辑自我修正能力的企业级 AI Agent。你将负责设计 Agent 的“认知架构”，并将非结构化的企业数据转化为可推理的 Ontology。
工作职责:
1.Agent 架构设计：基于 ReAct、Reflexion、LATS (Language Agent Tree Search) 或 Tree of Thoughts 等框架，设计具备多步推理与复杂任务拆解能力的 Agent 智能体。
2.逻辑与推理增强：研究并实现神经符号 AI (Neuro-symbolic AI) 方案，利用演绎数据库逻辑（如 Datalog）或知识图谱为 LLM 提供事实约束，解决幻觉问题。
3.企业本体建设：主导企业级 Ontology 的建模工作，将杂乱的业务数据转化为以对象为中心（Object-Centric）的语义网络，实现 Agent 对业务逻辑的深度理解。
4.长短期记忆管理：利用 GraphRAG 或混合检索技术，设计 Agent 的记忆系统（Memory System），确保 Agent 在长周期任务中保持上下文一致性。
5.策略迭代与优化：应用强化学习（如 Monte Carlo Exploring Starts 或 PPO）的思维，持续优化 Agent 在特定场景下的决策路径（Policy Improvement）。
任职资格:
1.教育背景：
计算机、数学或相关专业本科及以上学历，具备扎实的线性代数、微积分及概率论基础。
2.技术实操：
熟练掌握 Python，深入理解其类定义、装饰器及异步并发编程。
熟悉 LangGraph、AutoGPT、Semantic Kernel 或 Palantir AIP 等 Agent 开发工具。
熟悉向量数据库（Milvus/Pinecone）与图数据库（Neo4j），了解 Deductive Database 原理者优先。
3.算法理解：
深入理解 LLM 核心原理（Transformer、Attention 机制）。
掌握常见的 Agent 推理范式，能解释为什么在特定场景下需要 Reflexion 而非简单的 Chain-of-Thought。
4.加分项：
对知识图谱、语义网及数据标准化有独特见解。
能够流畅阅读并翻译前沿 AI 论文（如 Anthropic 或 DeepMind 的最新研究）。
我们正在寻找一位对 Agent有深厚理解的开发者，负责构建能够自主规划、调用工具并具备逻辑自我修正能力的企业级 AI Agent。你将负责设计 Agent 的“认知架构”，并将非结构化的企业数据转化为可推理的 Ontology。
工作职责:
1.Agent 架构设计：基于 ReAct、Reflexion、LATS (Language Agent Tree Search) 或 Tree of Thoughts 等框架，设计具备多步推理与复杂任务拆解能力的 Agent 智能体。
2.逻辑与推理增强：研究并实现神经符号 AI (Neuro-symbolic AI) 方案，利用演绎数据库逻辑（如 Datalog）或知识图谱为 LLM 提供事实约束，解决幻觉问题。
3.企业本体建设：主导企业级 Ontology 的建模工作，将杂乱的业务数据转化为以对象为中心（Object-Centric）的语义网络，实现 Agent 对业务逻辑的深度理解。
4.长短期记忆管理：利用 GraphRAG 或混合检索技术，设计 Agent 的记忆系统（Memory System），确保 Agent 在长周期任务中保持上下文一致性。
5.策略迭代与优化：应用强化学习（如 Monte Carlo Exploring Starts 或 PPO）的思维，持续优化 Agent 在特定场景下的决策路径（Policy Improvement）。
任职资格:
1.教育背景：
计算机、数学或相关专业本科及以上学历，具备扎实的线性代数、微积分及概率论基础。
2.技术实操：
熟练掌握 Python，深入理解其类定义、装饰器及异步并发编程。
熟悉 LangGraph、AutoGPT、Semantic Kernel 或 Palantir AIP 等 Agent 开发工具。
熟悉向量数据库（Milvus/Pinecone）与图数据库（Neo4j），了解 Deductive Database 原理者优先。
3.算法理解：
深入理解 LLM 核心原理（Transformer、Attention 机制）。
掌握常见的 Agent 推理范式，能解释为什么在特定场景下需要 Reflexion 而非简单的 Chain-of-Thought。
4.加分项：
对知识图谱、语义网及数据标准化有独特见解。
能够流畅阅读并翻译前沿 AI 论文（如 Anthropic 或 DeepMind 的最新研究）。