职位描述
一、AI 原生平台技术负责人
关于项目
作为一家 AI 算力芯片企业，我们正在建设面向企业内部的 AI 原生组织转型平台。它不是传统知识库、办公机器人或通用智能体平台，而是以组织中的角色、责任和业务过程为基本单元，将分散在人员、系统和协作过程中的数据、知识、技能与记忆沉淀为可持续演进的组织能力。
平台当前首先服务于研发团队，逐步构建由人类专家、受控智能体和确定性工程工具共同运行的 AI 原生研发闭环，并在此基础上探索企业级 AI 原生组织的演进路径。
我们正在寻找一位真正经历过大模型技术浪潮、理解企业级落地复杂性，并能够带领团队把设想变成产品的技术负责人。
岗位使命
1. 作为平台技术负责人，你将与产品经理兼总体架构师共同负责产品的技术路线、平台架构和工程落地，带领初期约 5 人、后续扩展至约 8 人的全栈研发团队，完成平台从技术底座、研发场景闭环到企业级 AI 原生组织转型平台的持续演进。
这个岗位的核心任务不是“接入一个大模型”，而是回答并解决以下问题：
2. 如何让智能体真正进入企业业务流程，而不只是停留在问答和内容生成阶段；
如何将组织中的技能、记忆和知识与角色、责任及流程绑定，而不是依附于具体个人；
3. 如何让人、智能体与确定性工具在明确的权限和责任边界内协同工作；
如何在安全、可控、可观测和可审计的前提下，实现组织能力的持续积累和自我优化；
4. 如何判断哪些能力应由大模型完成，哪些应交给工作流、规则引擎或传统软件系统。
岗位职责
1.与产品经理兼总体架构师共同制定平台的技术战略、总体架构和版本演进路线，并对关键技术决策负责。
2.负责企业级智能体平台核心能力建设，包括但不限于：
智能体运行与编排；
上下文工程（Context Engineering）；
工具调用与协议集成；
技能的导入、沉淀、版本管理和运行治理；
长短期记忆及组织知识体系；
多智能体协作；
权限控制、数据隔离、审计与安全治理；
模型路由、效果评测、可观测性与成本治理。
3.推动平台与飞书、研发工具链、项目管理系统、代码平台、知识库及公司现有业务系统的深度集成。
4.率先在项目研发团队内部构建 AI 原生研发闭环，使需求分析、方案设计、任务分解、编码、测试、评审、发布和复盘等过程能够由人类与智能体协同完成。
5.将一线研发实践抽象为可复制的平台能力，逐步推广至芯片定义、设计、验证、软件、后端实现、项目管理及其他组织场景。
6.建立适用于智能体系统的工程体系，包括架构规范、质量标准、自动化测试、提示词与上下文评测、模型效果评估、运行监控和故障处置机制。
7.带领并培养全栈研发团队，组织技术攻关和设计评审，保持关键模块的代码参与度，对系统质量和交付结果负责。
8.持续跟踪大模型、智能体框架、编程智能体和企业级 AI 基础设施的发展，通过原型验证快速判断新技术的实际价值，而不是简单追逐概念。任职要求
任职要求
必备条件
1.具有头部大模型厂商、大型科技企业的大模型核心团队，或行业领先的大模型基础设施及智能体产品团队的实际工作经历。
2.对企业级 AI 原生系统有真实、深入的实践，至少符合以下一项：
。主导或核心参与过已投入真实业务运行的企业级智能体、大模型应用平台或 AI 原生工作流建设；
。在较大规模组织中深度部署和使用过智能体平台或编程智能体，并对业务流程、研发模式或组织协作产生了可量化影响；
。负责过大模型应用从原型验证到生产运行的完整过程，能够清楚说明其中的架构取舍、失败经验和治理方法。
3.深刻理解大模型的能力边界，熟悉检索增强生成、上下文工程、工具调用、智能体编排、记忆、评测、模型路由及安全治理等关键技术。
4.具备扎实的软件工程与系统架构能力，能够设计并落地高可用、可扩展、可观测、可审计的企业级系统。
5.至少精通 Python、TypeScript、Go、Rust 或 Java 中的一种，能够亲自完成原型验证、关键模块设计和代码评审。
6.熟悉主流大模型及智能体开发生态，能够独立判断框架和模型选型，不依赖厂商宣传或简单技术跟随。
7.具有较强的产品意识，能够从业务目标和组织问题出发定义技术方案，而不是从模型能力出发寻找应用场景。
8.具有技术团队带领或核心项目负责人经验，能够在高度不确定的探索阶段做出判断、控制范围并持续交付。
优先条件
• 参与过大模型训练、推理服务、模型平台或智能体基础设施建设；
• 有编程智能体、研发效能平台或 AI 原生软件研发实践；
• 有复杂企业系统、研发工具链、知识工程或工作流平台建设经验；
• 熟悉飞书开放平台、企业身份权限体系及内部系统集成；
• 具有私有化大模型部署、国产算力适配或高安全等级企业环境经验；
• 有芯片、基础软件、工业研发或其他复杂工程领域经验；
• 有开源项目、技术文章、公开演讲或可展示的 AI 原生项目成果。
我们特别看重
• 亲自做过，而不只是听过、看过或管理过；
• 能展示真实系统、过程材料和量化结果，而不只讲概念；
• 能坦诚说明失败案例，以及哪些“大模型能力”最终被证明不适合生产环境；
• 既理解 AI 带来的范式变化，也尊重企业软件的工程纪律；
• 愿意持续编码、验证和深入一线，而不是只做会议型技术管理；
• 能够挑战既有设想，同时有能力通过实验提出更可靠的替代方案。
