🔥 一份 Agent 工程師職缺 JD，暴露了市場真正想要什麼樣的人
背景--
最近刷到一份 Agent 工程師的職缺 JD，跟以前的前端職位完全不一樣了。我心想：這大概就是現在以及接下來幾年的方向了。
JD 裡寫的東西包括：
- TypeScript 做 Agent 轨跡視覺化
- Python / Rust 對接 RL 訓練框架
- Docker / Kubernetes 管理 Agent 容器
- MCP、Function Calling、Agent Scaffold
- Claude Code、Cursor 二次開發
看完我意識到一件事：現在 AI Agent 領域真正缺的，不是「誰會調 Prompt」，而是誰有能力把 Agent 工程化落地。
說實話，現在很多人已經能做：
- ChatBot
- Workflow
- LangChain 的 Demo
- 各種 AI 自動化腳本
但真正難的是怎麼讓 Agent：
- 可執行
- 可除錯
- 可觀測
- 可訓練
- 可評測
- 可規模化迭代
這份 JD 本質上就是一張 AI Agent 工程師的技能樹。
我決定把它徹底拆開，整理成一份完整的學習路線，幫助自己成長（因為我目前也在這條路上走呢），順便分享給所有想往這個方向走的朋友。不感興趣的就算了哈.....
一、這樣的職位到底要什麼樣的人？
很多人一看到 Agent 職位，第一反應是「寫幾個 Agent Demo 就行了吧」。其實完全不是。
這個職位更像 Agent 基礎設施工程師，做的事包括：
- 把外部 Agent 工具和內部的 RL 訓練體系打通
- 維護 Agent 容器服務，保證穩定運行
- 搭建評測和除錯平台
- 封裝統一的 Agent Runtime
- 降低演算法團隊的接入成本
- 提升整個 Agent 系統的可靠性和擴展性
一句話總結：讓 Agent 從「能跑」，變成「能持續進化」。
二、為什麼前端能力反而越來越重要？
以前很多人覺得 Agent 是模型和演算法的事。但現在越來越多的團隊發現，如果沒有：
- Tool Call 的時間軸
- Agent 的 Trace
- Token 消耗的視覺化
- 軌跡回放
- 除錯分析平台
Agent 根本沒法真正迭代。
所以前端正在從「做業務頁面」，變成 Agent 的觀測層。這也是為什麼很多 Agent Infra 職位會明確要求 JavaScript / TypeScript、前端視覺化能力、除錯平台開發能力。
未來的 AI 系統，一定要有可觀測性。
三、多語言能力：Python + Rust 為什麼成了標配？
JD 裡同時提到了 Python 和 Rust，這很有代表性。
Python 主要負責 Agent Runtime、LLM 接入、Tool Calling、Workflow 編排、RL 訓練鏈路。
幾乎所有的 Agent 框架——LangChain、AutoGen、OpenAI Agents SDK——核心生態都在 Python。
Rust 則越來越多地出現在 Agent Runtime 裡。
原因很簡單：效能更強、資源占用更低、更安全，特別適合做 CLI / Terminal Runtime。很多 AI Coding 工具的底層已經開始大量用 Rust 了。我猜 Rust 很可能會成為 Agent Infra 的重要底層語言。
四、Docker / Kubernetes 為什麼成了標配？
最近我越來越覺得，Agent 本質上就是一個「會思考的服務」。既然是服務，就一定會涉及部署、隔離、排程、日誌、擴縮容、資源管理。
所以 Docker 和 Kubernetes 成了 Agent Infra 的核心能力。很多 Agent 系統都採用「一個 Agent 一個容器」的方式執行，這樣環境隔離、依賴不衝突、安全性高，還能支援並行執行。Agent 正在越來越像 Kubernetes 裡的「智慧 Pod」。
五、MCP / Function Calling 為什麼重要？
MCP、Tool Use、Function Calling 這些概念最近很火，它們真正重要的原因是：Agent 正在從「聊天」變成「呼叫工具」。
以前 LLM 就是個文字生成器，現在 LLM 更像一個 Tool Dispatcher —— 調資料庫、調瀏覽器、調終端機、調 API、調程式碼執行環境。
MCP 的意義很像 AI 世界的 USB-C，它讓 Tool Discovery、資源管理、Prompt 注入、Function 呼叫開始標準化。未來誰掌握 Tool Ecosystem，誰就更容易掌握 Agent 生態。
六、AI Coding 正在重構軟體工程
JD 裡還要求熟悉 Claude Code、Cursor、Copilot，甚至做過二次開發。以前 AI Coding 只是程式碼補全，現在已經越來越像「AI 協作式開發」。
我自己最近在折騰 Ollama 本地模型、Claude Code 接入、CC-Switch 代理、MCP Tool Calling，踩了不少坑。比如有一次介面明明已經通了，Claude Code 卻始終回傳 404。查了半天發現根本不是介面的問題，而是回傳協議格式不對。最後我不得不寫了一層 Python 中轉代理，才把整條鏈路真正跑通。
這件事讓我覺得，未來工程師之間真正的差距，可能不再是「誰寫程式碼更快」，而是誰更懂如何讓 AI 參與軟體工程。
七、我整理的 Agent 工程學習路線
如果讓我從頭開始學 Agent 工程化，我會按這個順序來：
第一階段：AI Coding
深度使用 Claude Code、Cursor、Copilot，理解 Context、Tool Use、Workflow、Prompt Engineering。
第二階段：Agent Framework
學 LangChain、OpenAI Agents SDK、AutoGen、CrewAI。重點不是 API，而是理解 Agent Runtime 怎麼工作。
第三階段：MCP / Function Calling
重點搞懂 Tool Calling、JSON Schema、Resource、Prompt Injection、Tool Runtime。因為 Agent 的核心就是 Tool 調度。
第四階段：Docker / Kubernetes
學 Dockerfile、容器隔離、多階段建構、K8s Deployment、Service、日誌管理。未來的 Agent 一定會越來越 Infra 化。
第五階段：Agent 可觀測性
包括 Trace、Timeline、Token Usage、Replay、除錯分析平台。這是很多人最容易忽略的，但其實是最關鍵的部分。
八、為什麼要按這份 JD 來規劃學習路線？
說實話，我之前折騰 Agent 也有一陣子了，Ollama、Claude Code、MCP、容器化這些都在碰。但學得比較散，今天看到一個有意思的專案就 clone 下來跑跑，明天刷到一篇教學跟著寫寫 Demo。學了一堆，真讓我去搭一套可觀測的 Agent 執行環境、接 RL 訓練鏈路、做軌跡視覺化平台，我可能還是得從零開始翻文件。
當我看到這份 JD，突然感覺它把「市場到底需要什麼樣的 Agent 工程師」給說清楚了。
不是要你會調 Prompt，也不是要你背 LangChain 的 API，而是要你：
- 能把外部工具接到內部訓練框架裡
- 能維護 Agent 容器服務
- 能搭評測平台和除錯工具
- 能寫 TypeScript 做視覺化，也能寫 Python/Rust 做 Runtime
- 能用好 AI Coding 工具，甚至做二次開發
每一行都是市場上真實存在的缺口。
所以我決定換一種學習方式：不再自己亂折騰，而是把這份 JD 當成真正的學習地圖。它說需要什麼，我就去學什麼；它寫在加分項裡的，我就排優先級去補。
後面我會按這個方向去學，做到哪一步就寫到哪一步。比如：
- 先試試怎麼把一個 Agent 裝進容器裡跑起來
- 再做一個小白能看懂的前端軌跡回放 demo
- 至於 RL 訓練鏈路、MCP 二次開發這些，我會邊學邊記錄，踩的坑和最後能不能成，都如實寫出來
如果最後真的把這些東西啃下來了，那分享出來當然最好。如果某些方向卡住了，我也會把卡住的原因、嘗試的過程寫出來——我覺得那本身也有價值。
畢竟我不是什麼 Agent 專家，只是一個想對著 JD 把個人的技能補齊。如果你也在做類似的事，歡迎一起交流，互相填坑。
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
