一、岗位职责（Responsibilities）
1）LLM 应用链路工程化
- 使用 LangChain / LlamaIndex 等构建模块化应用链，沉淀可复用的 Chain/Tool/Prompt 组件
- 集成与优化 RAG（清洗、Chunk、索引、召回/重排、引用溯源）
- 建立离线评测集与在线 A/B，完善命中率/幻觉率/引用准确率等指标与看板
2）基于 MCP 的 Client-Server 与 Agent 协作
- 设计并实现 MCP 协议下的 Client/Server 服务框架，支持多 Agent 工具调用、跨系统协作
- 完善会话管理、消息路由、工具编排、权限与沙箱、数据流整合
- 建设接口规范：版本管理、超时/重试、幂等、失败降级、回放能力
3）性能、成本与可扩展性
- 降低端到端延迟与 Token 成本（缓存、批处理、并发与限流、队列化执行）
- 集成向量数据库/搜索系统（Milvus/Weaviate/ES 等），做好 embedding 管理、冷热分层、索引与容量规划
- 支撑多租户与可扩展部署（灰度、弹性扩缩、配置中心、服务治理）
4）Java 后端与现有系统集成
- 基于 Java（Spring 生态）建设核心后端服务与网关能力，对外提供稳定 LLM API 与业务接口
- 结合 Spring AI 实现模型调用/路由、提示词模板化、函数/工具调用封装
- 对接统一鉴权、日志审计、数据权限、工作流/任务系统等现有平台能力
5）Python 能力补位与交付
- 熟悉 Python，能独立完成脚本工具、数据处理、服务部署与线上问题排查
- 与 Java 服务协同（异步任务、RPC/消息队列等）
二、任职要求（Requirements）
- 5年以上后端开发经验，具备复杂系统架构设计与落地经验（微服务/网关/多租户/高可用）
- 精通 Java（Spring Boot / Spring Cloud），具备良好的编码规范、单元测试与工程化能力
- 熟悉 LLM 应用开发范式：RAG、工具调用/Function Calling、Prompt 工程、评测与可观测
- 熟悉向量数据库或搜索系统之一（Milvus/Weaviate/ES等），理解召回、索引、容量与性能权衡
- 熟悉 Python，可完成部署、脚本/组件开发与 CI/CD 基础工作；沟通协作与文档能力良好
三、加分项（Strong Plus）
- 有 MCP / 多 Agent 框架经验（或类似协议/多智能体编排经验）
- 生产级 RAG 优化经验：rerank、多路召回、Hybrid Search、引用校验、反幻觉策略
- 模型成本治理经验：缓存、批处理、压缩、路由、多模型策略（小模型优先/回退）
- 安全与合规经验：数据脱敏、审计、权限隔离、Prompt Injection 防护
- 熟悉 K8s、Terraform、OpenTelemetry/Prometheus/Grafana/ELK 等可观测体系