DeepSeek狂招36人！80%岗位都在抢Agent工程师

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。

前言

兄弟们，DeepSeek 这次真的不装了。

以前招聘跟做贼似的，偷偷摸摸挂几个岗位。现在呢？直接甩出 36 个岗位，所有部门规模至少翻一倍。老板直聘上更夸张，挂了 121 个职位。

我数了数，从服务端到前端，从测试到运维，从产品到深度学习研究员，几乎是完整编制。就差招个食堂阿姨会调 Prompt 了。

更离谱的是，我扒完这些 JD 发现一个恐怖事实：80% 的岗位里，都写着「Agent」三个字。

啥概念？以前面试问「会 Redis 吗」，现在问「会 Agent 吗」。不会？出门左转，那边还有 20% 的岗位在等你。

哦不对，那 20% 是职能部门。HR 可能也得学会用 AI 筛简历了。

36 个岗位，到底在招啥？

先说背景。2026 年 6 月，DeepSeek 母公司幻方量化刚融了 510 个亿。

510 亿啊兄弟们。我算了一下，按我现在的工资，大概要干……算了，计算器显示「超出范围」。

有钱就得招人，这次覆盖 8 个大类：

全栈开发/算法：8 个岗位
AI 核心系统研发：4 个岗位
运维：4 个岗位
产品：2 个岗位
模型数据策略：5 个岗位
深度学习研究员：4 个岗位
职能部门：6 个岗位
Agent Harness：专项团队

我统计了一下高频关键词，数据比我的发际线还刺激：

Agent — 20+ 个岗位提及
LLM — 15+ 个岗位提及
KV Cache — 6 个岗位涉及
MCP / Tool Use / Agent Loop — 5 个岗位明确要求
Prompt Engineering — 5+ 个岗位提及
Vibe Coding — 4 个岗位作为加分项

Vibe Coding 都写进 JD 了。啥叫 Vibe Coding？就是「 vibe 对了就能写代码」，翻译成人话：你得会用 AI 写代码，而且写得比人快。

以前简历写「精通 Java」，现在得写「精通让 AI 写 Java」。时代变了。

后端开发：从接请求到接 Agent 的锅

后端 JD 第一条就吓着我了：面向数千万日活用户的大模型应用与 API 服务架构设计。

数千万日活。我上次见到这个数字，还是在某宝双十一的崩溃新闻里。

但大模型 API 和传统 REST API 完全不是一回事。传统接口是「请求进来 → 处理 → 返回 JSON」，毫秒级搞定。大模型推理一次可能持续十几秒，甚至两三分钟，返回的还是逐 token 的流式数据。

更刺激的是，Agent 执行任务时会中途调用搜索、代码执行、文件操作等外部工具。每一次工具调用都是一层嵌套的请求-响应循环。

传统后端的「接收 → 处理 → 返回」，现在变成了「接收 → 启动推理 → 流式返回 → 中途工具调用 → 继续推理 → 返回」。

这哪是写接口，这是在写剧本啊。还是带分支剧情的那种。

而且 Agent 跑代码需要沙箱环境。用户让 Agent 写个脚本，你得毫秒级启动一个隔离容器，跑完就销毁。几千万用户同时用，就是几千万个并发沙箱。

以前后端操心的是「QPS 多少」，现在操心的是「沙箱够不够」。从服务员变成了保姆，还是一次带几千个娃的那种。

后端要补的三门课

第一，流式服务架构。 SSE、WebSocket、gRPC streaming，大模型应用的前后端通信几乎都是流式的。建议直接对接 DeepSeek API 做一个支持 Function Calling 的 Agent 后端服务，从请求到流式响应到工具调用全流程跑通。

第二，容器化和沙箱技术。 Docker 和 Kubernetes 是基础，进阶方向是 gVisor、Firecracker 这类轻量级虚拟化方案。Agent 沙箱对启动速度的要求比传统容器高得多。

第三，ReAct 循环。 接收指令 → 拆解任务 → 选择工具 → 执行 → 观察结果 → 决定下一步。这个循环里每一步涉及的后端基础设施（任务队列、工具注册中心、执行状态管理、结果存储）都需要人来搭建。

总结：后端还是那个后端，只是服务的对象从「用户请求」变成了「Agent 任务」。锅更大了，但工资应该也更高了。

前端/客户端：对话框已经不够用了

前端 JD 里有一句话特别扎眼：「探索、预研 Agent 等概念的新交互范式，寻找 AGI 时代的人机交互方式。」

翻译一下：我们现在也不知道 Agent 的界面该长啥样，你来想。

这就像一个甲方对你说：「我要一个超越微信的社交产品，具体怎么做你自己悟。」

现在的 AI 产品界面还停留在对话框模式——用户打字，模型回答，一来一回。但 Agent 的工作方式远比对话复杂。

一个 Agent 执行任务时可能同时在做好几件事：分析需求、搜索资料、生成代码、运行测试、修复 bug。执行到关键节点还可能暂停下来请求用户确认。

怎么把这种多步骤、多分支、可中断的执行过程呈现给用户？

这确实是一个没有标准答案的设计问题。以前前端抄 Ant Design 就行，现在得自己发明设计模式了。

客户端方向更直接：要求具备 iOS/Android 原生开发经验，熟悉 Swift/Objective-C 或 Kotlin/Java。DeepSeek App 移动端已有千万级 DAU，原生开发的性能调优直接影响用户体验。

千万 DAU 啊。我写的 App 上次达到这个日活，是在梦里。

前端要补的三个方向

① 流式渲染。 大模型输出是逐 token 返回的，前端需要用户看到第一个字就开始渲染。SSE 解析、增量 DOM 更新、虚拟滚动（大段代码输出时防止页面卡顿）这些技术细节都要掌握。

② Agent 状态可视化。 Agent 执行多步任务时，前端需要实时展示每一步的状态：正在思考、正在调用工具、等待用户确认、任务完成。这是一个复杂的状态机设计问题，涉及前端状态管理、过渡动画、异常处理。

③ 跨端能力。 JD 明确写了 iOS/Android 原生经验优先。纯 Web 前端如果想补这块，React Native 或 Flutter 是跨端方案的入口。长期来看，千万 DAU 级别的移动端产品对性能要求极高，原生开发依然是天花板最高的方案。

以前前端卷的是「像素级还原设计稿」，现在卷的是「发明下一代交互范式」。难度系数从普通模式直接跳到了地狱模式。

测试开发：确定性已经不存在了

测试开发工程师的 JD 提到了两个关键信息：业务及系统的质量保障、Go/Rust 优先。

Go/Rust 优先？传统测试岗不都是 Java+Selenium 或 Python+pytest 吗？

DeepSeek 要 Go/Rust，说明测试基础设施本身是性能敏感的。大模型评测需要并发执行几百上千个测试用例，每个用例可能包含一次完整的推理请求，整个评测流程可能持续数小时。

用 Python 跑？等跑完天都亮了，模型都迭代三版了。

更颠覆的是，传统软件测试的核心是确定性验证：给定输入 A，预期输出 B，实际输出是 B 就通过。大模型的输出是概率性的——同一个 prompt 输入两次，可能得到不同的回答，两个回答可能都对，也可能都有错误。

这怎么测？你问模型「1+1 等于几」，它第一次说 2，第二次说「在二进制里等于 10」。都对，但你没法写断言。

取代传统测试方法的是评测体系。DeepSeek 的评估维度包括：可用性、代码规范、工程质量、任务完成度、规划能力、工具调用准确率、多轮交互连贯性、指令跟随。

每一个维度都需要独立的评测方案：构造测试数据集、制定评分规则、跑 benchmark、做统计分析、和基线做对比。

测试工程师变成了数据科学家。工资应该也是吧？

测试开发的新技能树

Benchmark 思维。 熟悉 HumanEval（代码生成）、MMLU（知识储备）、SWE-bench（真实工程任务完成度）等主流评测体系。建议去读 DeepSeek、OpenAI、Anthropic 发布的模型评测报告，理解这些 benchmark 的设计思路。

「用 Agent 测 Agent」。 让一个 Agent 执行任务，另一个 Agent 评估执行质量，形成自动化的评测循环。能搭建这种系统的测试工程师，在整个行业都是稀缺人才。

以前测试说「这个 bug 我必现」，现在说「这个 prompt 我 70% 概率能触发」。确定性没了，但工作还在，而且更高级了。

两个 AI 原生新岗位：以前根本不存在

服务端、前端、测试，这三个是传统岗位的 AI 进化。而 Agent Harness 和 Agent Infra 是 AI 时代原生的新岗位，两年前 LinkedIn 上搜这两个 title，结果为零。

Agent Harness：模型只是配角

Model + Harness = Agent。

模型提供推理能力。Harness 负责模型之外的所有工作——上下文管理、长期记忆、工具调用编排、子 Agent 协调、任务规划、自进化机制。

你可以把模型理解为发动机，Harness 就是整车。没有 Harness，发动机只能原地轰鸣，哪儿也去不了。

Harness 团队分三个子方向：

研究方向： 探索 Harness 前沿课题，上下文管理策略怎么优化、长期记忆用什么架构、多 Agent 如何协作、Agent 怎么实现自进化。

研发/工程方向： 要求能够在 AI 辅助下，在没有直接经验的领域进行研究和编程。会不会 Rust 不重要，能不能借助 AI 在一天内用 Rust 写出一个可用原型才重要。

产品方向： 要具备「Vibe Coding 能力」，产品经理要能借助 AI 工具写代码做原型验证，不能只画 PRD 等开发排期。

JD 里列出的技术关键词密度极高：LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent、Prompt Engineering、Context Engineering、Harness Engineering。

这些关键词覆盖了 Agent 技术栈的全部核心概念。背下来，面试的时候假装不经意地提到几个，HR 眼睛会发光。

Agent Infra：给 Agent 盖房子

Agent Infra 研发工程师负责打造 DSec——为 Agent 量身定制的云平台，托管成千上万个沙箱环境。

想象一下：几千万用户同时使用 DeepSeek 的 Agent，每个 Agent 都可能执行代码、读写文件、访问网络。这些操作需要隔离的沙箱来保障安全。

几千万并发沙箱，每个要毫秒级启动、严格资源隔离、安全网络策略。

这已经不是云计算了，这是云养蛊。几千万个 Agent 在沙箱里各显神通，你的任务是保证它们别跑出来。

以前运维怕的是服务器宕机，现在怕的是 Agent 越狱。

AI 时代的能力进化图

扒完这 36 个岗位，我画了一张能力进化图。建议截图保存，接下来五到十年，你可能都用得上。

最底层：计算机基础

数据结构、算法、操作系统、计算机网络——每个技术岗位的 JD 里都明确要求，没有例外。

Agent 的执行环境涉及容器、虚拟化、网络隔离、分布式存储，哪一个不需要扎实的系统基础？基础不牢，地动山摇，AI 时代也一样。

中间层：工程能力

容器化、CI/CD、分布式系统、高性能编程、流式架构。这些在传统后端已经是硬要求，在 AI Infra 时代权重更高。

顶层：AI 原生能力

两年前这层几乎不存在于任何传统岗位的 JD 里，现在是多数技术岗位的明确要求：

• 理解 LLM 的工作机制（tokenize、context window、tool use）
• 熟练使用 AI Agent 工具进行开发
• 了解 Agent 核心技术栈（MCP、Memory、Planning、Multi-Agent）
• 能借助 AI 辅助进入陌生技术领域研究、开发、产出

最后一项最关键。DeepSeek 不要某个语言或框架的专家，要的是能用 AI 工具快速进入任何技术领域的人。

换句话说，以前招聘问「你会什么」，现在问「你多快能学会什么」。学习能力比知识储备更重要，AI 时代终于实现了这个理想。

虽然这个理想实现的方式有点讽刺——因为 AI 发展太快，人类不得不跟着快速学习。

写在最后

DeepSeek 这次扩招释放了一个明确信号：Agent 不是未来，是现在。

80% 的岗位都要求 Agent 能力，这意味着什么？意味着不会 Agent 的程序员，正在从「主流」变成「边缘」。

但好消息是，Agent 的技术栈跟传统工程能力高度重叠。你会写 Python、懂系统设计、能调 API，离 Agent 工程师只差一个主动靠过去的动作。

不是能力不够，是方向没选对。

510 亿融资已经到账，36 个岗位已经挂出，Agent Harness 团队负责人每天都在面试。

风口不再是模糊的概念，它已经被量化成了一行行 JD。

冲吧，兄弟们。未来肯定有更多像 DeepSeek 这样的公司，需要你这样的人才。

当然，前提是你先把 Agent 学起来。不然下次面试，HR 问你「会 MCP 吗」，你总不能回答「会，我 Minecraft 玩得可好了」。

P.S. 目前国内还是很缺AI人才的，希望更多人能真正加入到AI行业，共同促进行业进步，增强我国的AI竞争力。想要系统学习AI知识的朋友可以看看我精心打磨的教程 http://blog.csdn.net/jiangjunshow，教程通俗易懂，高中生都能看懂，还有各种段子风趣幽默，从深度学习基础原理到各领域实战应用都有讲解，我22年的AI积累全在里面了。注意，教程仅限真正想入门AI的朋友，否则看看零散的博文就够了。