美团
校招【北斗】AI Agent工程师（大模型方向）
北京/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 【岗位要求】
- 1. 技术基础
- 计算机科学、人工智能、数学等相关专业背景，精通Python/C++，扎实的算法与系统设计能力
- 熟悉Agent架构设计，了解LangChain、AutoGPT等主流Agent框架
- 2. 强化学习经验
- 熟悉RL核心算法（如PPO、DQN、SAC等），有实际项目经验或顶会论文（NeurIPS/ICML/ICLR等）成果者优先
- 有Code Agent、多智能体系统相关项目经验者优先
- 3. 问题解决能力
- 善于从复杂需求中提炼技术方案，具备快速学习新领域的能力
- 能够将业务需求转化为Agent系统设计方案，具备系统架构思维
- 4. 领域热情
- 对AI Coding、代码生成或LLM+RL结合方向有强烈探索欲
- 对Agent技术、智能体自主决策有浓厚兴趣，关注业界最新进展
- 5. 开源精神
- 热爱技术分享，有开源项目或技术博客者优先
- 有Agent相关开源项目贡献者优先
- 【岗位吸引力】
- 1.前沿技术攻坚：主导基于 Post-training、强化学习的代码生成与优化技术研发，构建工业级 AI 编程解决方案，突破开发效率极限。
- 2.复杂场景落地：攻克真实业务场景中的代码生成、质量提升与性能调优等挑战，推动 LLM+RL 在代码理解领域的创新落地，建立可量化的开发效能体系。
- 3.跨领域创新：与顶尖的 AI 研究员、工程师和产品团队紧密合作，实现学术前沿到工业落地的闭环。
- 4.行业变革引领：你的工作将引领百万开发者生态变革，定义下一代编程范式。
岗位描述
【岗位职责】
我们正在构建以Code Agent为核心的下一代智能编程基础设施，通过大模型技术、强化学习与多智能体协作的深度融合，推动软件开发从辅助工具向自主智能体演进。如果你对AI Coding充满热情，渴望在Post-training、强化学习（RL）、智能体系统等领域引领技术革命，这里将是你实现技术理想的终极舞台！
- 1. 前沿技术攻坚
主导基于Post-training、强化学习的代码生成与优化技术研发，构建工业级AI编程解决方案
负责Code Agent系统架构设计，探索智能体在代码全生命周期的自主决策能力
研究多智能体协作机制，构建自动化编程智能体团队
- 2. 复杂场景落地
攻克业务场景中的代码生成、质量提升与性能调优挑战，推动LLM+RL创新落地
设计实现基于Agent的代码智能体，实现端到端自动化开发
构建Code Agent评估体系，持续优化智能体性能
- 3. 跨领域创新
与顶尖AI团队协作，实现学术前沿到工业落地的闭环
探索Agent技术在美团多元业务场景中的应用，推动技术跨领域迁移
- 4. 行业变革引领
打造业界领先的Code Agent解决方案，推动AI编程从辅助工具向自主智能体演进
引领百万开发者生态变革，定义下一代编程范式！
【任职要求】
【岗位要求】
- 1. 技术基础
计算机科学、人工智能、数学等相关专业背景，精通Python/C++，扎实的算法与系统设计能力
熟悉Agent架构设计，了解LangChain、AutoGPT等主流Agent框架
- 2. 强化学习经验
熟悉RL核心算法（如PPO、DQN、SAC等），有实际项目经验或顶会论文（NeurIPS/ICML/ICLR等）成果者优先
有Code Agent、多智能体系统相关项目经验者优先
- 3. 问题解决能力
善于从复杂需求中提炼技术方案，具备快速学习新领域的能力
能够将业务需求转化为Agent系统设计方案，具备系统架构思维
- 4. 领域热情
对AI Coding、代码生成或LLM+RL结合方向有强烈探索欲
对Agent技术、智能体自主决策有浓厚兴趣，关注业界最新进展
- 5. 开源精神
热爱技术分享，有开源项目或技术博客者优先
有Agent相关开源项目贡献者优先
【岗位吸引力】
- 1.前沿技术攻坚：主导基于 Post-training、强化学习的代码生成与优化技术研发，构建工业级 AI 编程解决方案，突破开发效率极限。
- 2.复杂场景落地：攻克真实业务场景中的代码生成、质量提升与性能调优等挑战，推动 LLM+RL 在代码理解领域的创新落地，建立可量化的开发效能体系。
- 3.跨领域创新：与顶尖的 AI 研究员、工程师和产品团队紧密合作，实现学术前沿到工业落地的闭环。
- 4.行业变革引领：你的工作将引领百万开发者生态变革，定义下一代编程范式。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。