AI Native Architect (Enterprise AI Agent Development Platform)

汇报关系：本岗位向平台总架构师汇报，在总架构师的统筹与指导下，负责 AI 域领域架构设计、方案输出与落地推进，跨域方案需提交总架构师评审决策。

一、岗位名称

AI Native 架构师（企业级 AI Agent 开发平台）

二、岗位职责

1.AI Native 平台整体架构设计 

在平台总架构师的指导下，负责 XAgent 企业级 AI Agent 开发平台的 AI Native 技术架构规划、设计与持续演进，建立可扩展、可复用、安全可靠的企业级 Agent 技术底座。 设计 AI 应用层、Agent Runtime、模型与上下文管理、Skill/Tool 执行层、知识检索、评测治理及云平台基础设施之间的分层架构和接口规范。 明确 AI Native 能力与传统云平台能力的职责边界，复用现有身份认证、多租户、数据库、计费、消息队列及云基础设施，避免重复建设。 结合工业企业及企业级应用需求，制定 AI 域内技术选型、架构原则、关键技术路线和中长期技术演进规划，方案提交总架构师参与整体平台技术路线评审。

2.Agent Runtime 与智能执行架构 

在平台总架构师的指导下，设计 Agent 的任务规划、执行循环、状态管理、长任务运行、暂停恢复、重试、超时控制及异常恢复机制。 设计 Workflow、单 Agent、多 Agent 协作等不同执行模式，明确适用场景、执行约束和工程化边界。 建立统一的模型接入、模型路由、推理策略、上下文组装、记忆管理及工具调用架构。 设计 Skill/Tool 注册、发现、版本管理、执行协议、权限委托、运行隔离及结果校验机制，支持生态伙伴和第三方工具接入。 针对工业业务中对准确性、可追溯性及安全性的要求，设计 AI 推理与确定性业务逻辑、工业控制及人工审批之间的安全边界，相关跨模块集成方案同步总架构师。

3.AI 工程化、质量与安全治理 

在平台总架构师的指导下，建立 AI Agent 评测体系，涵盖任务成功率、回答质量、工具调用准确性、执行稳定性、推理成本和响应延迟等指标；主导 AI 模型测试体系与 AI 应用能力验证平台设计，构建模型功能、精度、鲁棒性、对抗样本、分布漂移、版本对比的自动化测试能力；面向 Agent 应用场景搭建场景化测试集、回归用例、验收基准，实现模型、Agent 应用的自动化能力验证与版本准入门禁。 主导自有模型与领域模型工程体系设计，构建训练数据治理、预处理、SFT/LoRA 微调、模型蒸馏、量化、版本管理的端到端管线；基于 Transformer、残差网络（ResNet）、BN 批量归一化等深度学习底层原理，评审模型结构方案，评估模型能力边界、收敛特性、显存开销、推理延迟与潜在缺陷；打通训练管线产出模型到平台模型网关、Agent Runtime 的全链路交付，支撑平台自有模型的持续迭代。 设计 Agent 执行轨迹、日志、Tracing、异常分析及线上质量监控机制，实现问题可定位、结果可追溯、版本可回归。 设计模型与 Prompt 版本管理、评测集管理、持续集成及发布质量门禁机制，支持 AI 应用持续迭代。 设计企业级 AI 安全架构，包括提示词注入防护、数据权限控制、工具调用授权、敏感操作审批、沙箱隔离及审计追踪。 针对模型非确定性和外部依赖不稳定等特点，建立降级、Fallback、人工介入及风险控制机制。

4.平台性能、成本与规模化能力 

在平台总架构师的指导下，设计适用于多租户企业场景的 AI 服务架构，支持多模型、多 Agent、多 Skill 及多业务场景的统一管理，实现训练任务与推理任务的资源隔离与调度。 优化模型调用、上下文长度、缓存、并发执行、异步任务和资源调度策略，平衡任务成功率、响应延迟和推理成本；同步优化训练任务的数据 IO、显存利用率、训练时长与算力成本。 设计 Token 用量采集、执行任务计量、训练算力计量、成本归因及可观测接口，与平台现有账户、计费和商业交易系统协同。 推动 AI Native 平台与云原生基础设施深度融合，满足高可用、可扩展、可运维及企业级部署要求；资源申请、跨底座集成方案提交总架构师评审。

5.技术领导与工程标准建设 

在平台总架构师的指导下，主导 AI 域内关键技术方案评审、AI 域架构决策及重大技术问题攻关，推动架构从设计到生产落地；跨域整体方案提交总架构师终审。 建立 AI Native 开发规范、接口标准、参考实现、技术文档和最佳实践，包含模型训练、模型测试、AI 应用能力验证、数据治理、模型交付规范，提升团队研发效率及交付质量。 指导 AI Backend、FDE 及相关研发人员解决复杂技术问题，推动研发团队形成统一的技术实现和质量标准。 与产品、业务、基础设施、安全及生态团队协作，将业务需求转化为可执行的技术路线和平台能力，方案同步总架构师评审。

三、任职要求

必备条件

•计算机科学、软件工程、人工智能或相关专业本科及以上学历。 

•具备 8 年及以上软件研发经验，其中有 3 年及以上 AI/LLM 应用架构、Agent 系统或相关 AI 工程化实践经验；具备模型训练 / 微调工程平台、AI 数据治理平台架构经验优先； 具备大型平台架构设计经验者优先。

• 具备扎实的分布式系统、微服务、云原生和企业级软件架构能力，能够在总架构师指导下独立完成 AI 域内复杂系统的架构设计与技术决策，并向上输出完整方案。 

•深入理解深度学习基础原理，掌握 Transformer 架构与自注意力机制、残差网络（ResNet）、BN 批量归一化等基础网络原理； 深入理解 LLM 应用架构，熟悉 RAG、Tool Calling、Agent Workflow、上下文工程、记忆管理及模型编排等技术。 

•理解大模型预训练、SFT/RLHF、LoRA 微调、模型蒸馏与量化原理，熟悉 AI 模型测试方法论与 AI 应用能力验证体系，能够搭建模型自动化测试、场景化基准评测、Agent 应用回归验证管线；能够设计自有模型训练 / 微调工程管线，评估模型结构、数据分布带来的效果、算力与推理约束。

• 具备 Agent Runtime 或类似智能执行系统的实际设计或落地经验，理解长任务、状态管理、重试恢复、工具权限和非确定性控制等关键问题。 

•熟悉 Python、Go、Java 或 TypeScript 中至少一种主流后端开发语言，能够通过代码验证关键架构设计并解决核心技术问题。

• 熟悉 Docker、Kubernetes、消息队列、数据库、缓存、可观测性及常见云原生技术；熟悉 GPU 资源调度、训练 / 推理分离部署。 

•具备 AI 应用评测、模型自动化测试、AI 应用能力验证、安全治理、性能优化和生产环境问题分析经验。 具备优秀的系统思维、技术判断和跨团队沟通能力，能够在总架构师统筹下推动架构决策落地，而不仅是输出设计文档。

加分项

•有企业级 AI Agent 平台、Agent Runtime、AI 开发平台或 AI 基础设施平台的架构建设经验。 

•有多租户 SaaS 平台、开发者平台、API Marketplace 或第三方生态平台建设经验。 

•熟悉 MCP、Agent-to-Agent 协议、工具沙箱、策略引擎或多 Agent 编排架构。 

•有工业 AI、工业软件、OT/IT 集成或企业级私有化部署经验。 熟悉模型推理服务、GPU 资源调度、推理优化、模型网关及多模型治理。

• 有大规模生产系统的可靠性治理、成本优化和安全架构经验。 

•具备端到端模型训练平台、数据治理平台、AI 模型评测平台、LLM/Agent 自动化测试、AI 应用能力基准验证平台建设经验优先，能够设计训练数据管理、数据集版本、数据质量治理体系。

核心能力要求

•架构抽象能力：能够从具体业务场景中识别共性，设计可复用的 AI Native 平台能力，方案接受总架构师评审。

•技术判断能力：能够在模型能力、训练成本、推理代价、测试成本、确定性代码、Workflow 和 Agent 之间做出合理取舍，并向总架构师输出评估结论。

•工程化能力：能够将 AI 原型转化为可测试、可观测、可运维、可规模化迭代的自有模型 + Agent 生产级系统。

•安全与可靠性意识：能够在开放式智能执行与企业级安全约束之间建立清晰边界，识别 AI 域技术风险并输出应对方案。

•向上协同与落地能力：在总架构师指导下，推动跨团队协作、技术标准落地和关键架构决策执行，对齐整体平台约束。