1. 智能体设计：负责企业级智能体（AI Agent）平台、Agent网关及相关中间件的需求分析与系统设计。制定可扩展的Agent控制面、记忆系统、工具调用（Tool Call）及多Agent协同（Multi-Agent Orchestration）的技术方案，输出高质量设计文档。 2. 核心模块开发：承担智能体核心引擎、工程化运行时（Runtime）、长短期记忆库（Memory Context）及动态提示词（Prompt）管理等核心模块的开发，编写高性能、高可靠的代码，并进行代码审查。 3. 性能攻关与工程优化：负责大模型推理流式响应（Streaming）、高并发Tool调用、复杂LLM长链条（Chains）调度中的关键技术攻关；解决延迟（Latency）优化、状态管理和系统重构问题，确保智能体平台的高可用与安全性。 4. 团队带领与规范制定：推动AI Native开发规范、Agent评估（Evaluation）标准及最佳实践的落地。 5. 前沿技术落地：持续关注大语言模型（LLM）、具身智能、AI Native中间件的前沿动态，推动端到端Agent框架、语义数据映射（如Ontology/Knowledge Graph）等新技术在企业级场景中的创新应用。

1. 大型 AI Agent 平台开发经验，具备多语言混合架构能力（如 Go / Rust / 高性能 Java）者优先。 2. 异步高并发能力：精通高性能并发编程（协程调度、线程池、异步事件驱动），深入理解 NIO、gRPC、Socket 编程及响应式架构，能够应对大模型长连接、大规模流式响应（Streaming）与高频 I/O 挑战。 3. Agent 核心架构：深入理解 AI Agent 的认知架构（如 ReAct、Plan-and-Solve、SOP 状态机），精通 Function Calling（工具路由与动态绑定）、长短期记忆管理（Memory Context）以及多智能体协同（Orchestration）的底层实现原理。 4. 大模型网关与中间件：熟悉大模型控制面（Control Plane）设计，具备 LLM 网关开发经验者优先。能够实现基于 Token 的精细化限流、动态路由、多模型容灾切换以及敏感词安全审计。 5. 动态沙箱与安全隔离：熟练掌握 Linux 环境与容器化技术（Docker/Kubernetes）。由于 Agent 需动态调用外部工具/代码，必须熟悉安全沙箱（Sandbox）技术、动态代码执行隔离或轻量级虚拟化（如 WebAssembly/Wasm、Firecracker）。 6. 数据与语义基础设施：熟练掌握向量数据库（如 Milvus、pgvector 等）的检索与优化；熟悉检索增强生成（RAG）全链路工程化；对知识图谱（Knowledge Graph）、语义数据映射（Ontology Mapping/SPARQL）或元数据管理有实际经验者优先。 7. AI Native 深度工程化：不仅能熟练使用 AI 辅助编程工具（Copilot/Claude/DeepSeek），且精通大模型端到端的工程化控制，包括 Prompt 自动化编排、结构化输出（JSON Schema/Instructor）的严格解析与防御性编程。