小編精選 - 技術文章翻譯 · 06月30日

DeepSeek 這次招得太猛了，36 個職缺，80% 都要會 Agent！

DeepSeek 這次招得太猛了，36 個崗位，80% 都要會 Agent！

大家好，我是二哥呀。

第一次，看到 DeepSeek 官方主動徵才！

而且我注意到一個很重要的資訊：隨著技術演進，所有部門的規模將擴大至少一倍。

所有部門啊，至少一倍啊。

這在當下這個 AI 時代，絕對是異類的存在。

官方在招的崗位有 36 個，老闆直聘上更是掛了 121 個職缺。從伺服器端到前端／客戶端，從測試到維運，從產品到深度學習研究員，幾乎是完整編制。

我深度研究了一番。

最直觀的發現是，80% 的崗位 JD 裡出現了 Agent 相關要求。

那這篇文章，將逐崗位拆解這些 JD，給 AI 時代下的牛馬們（包括我啦），一份完整的求職準備指南。當然了，拿來做一份職涯規劃，也是完全 OK 的。

最起碼你能搞清楚，接下來你應該往哪個方向去努力，應該掌握哪些剛需的技術棧。

系好安全帶，我們粗粗粗發～事半功倍的時候來了

01、36 個崗位分別是什麼？

先說背景。2026 年 6 月，DeepSeek 母公司幻方量化完成或接近完成了 A 輪 510 億元融資。

這應該是這次大力擴招的直接原因。

要想發展好，還得靠人啊。

這次招募涵蓋 8 個大類，全端開發／演算法（8 個崗位）、AI 核心系統研發（4 個）、維運（4 個）、產品（2 個）、模型資料策略（5 個）、深度學習研究員（4 個）、職能部門（6 個），以及 Agent Harness。

工作地點集中在杭州和北京。可實習，可全職。我把高頻技術關鍵字做了一個統計。

Agent，20+ 個崗位提及
LLM，15+ 個崗位提及
KV Cache，6 個崗位涉及（橫跨推理、儲存、Agent 三個方向）
MCP / Tool Use / Agent Loop，5 個崗位明確要求
Prompt Engineering / Context Engineering，5+ 個崗位提及
Vibe Coding，4 個崗位作為要求或加分項出現

02、後端開發的新職責

第一，面向數千萬日活使用者的大模型應用與 API 服務架構設計。大模型 API 和傳統 REST API 的核心差異在於請求模式。

傳統介面是「請求進來 → 處理 → 回傳 JSON」，毫秒級完成。大模型推理一次可能持續十幾秒、兩三分鐘甚至更長，回傳的是逐 token 的串流資料。

更複雜的是，Agent 在執行任務時會中途呼叫搜尋、程式碼執行、檔案操作等外部工具，每一次工具呼叫都是一層巢狀的請求-回應循環。

傳統後端的「接收 → 處理 → 回傳」模型變成了「接收 → 啟動推理 → 串流回傳 → 中途工具呼叫 → 繼續推理 → 回傳」。

架構複雜度更高。

第二，面向 Agent 的資料與執行環境基建。大模型公司內部都有一個為 Agent 量身打造的雲端平台，託管成千上萬個沙箱環境。

使用者讓 Agent 跑一段程式碼，這段程式碼需要安全隔離的執行環境：容器要毫秒級啟動，檔案系統要臨時可銷毀，網路要嚴格隔離。這些都是後端工程師的能力範圍，只是服務對象從「使用者請求」變成了「Agent 任務」。

後端開發者在 AI 時代怎麼準備？

基礎要求沒變，計算機基礎要紮實，資料結構與演算法要熟練。

但需要補三塊能力。

串流服務架構是第一塊。SSE、WebSocket、gRPC streaming，大模型應用的前後端通訊幾乎都是串流的。

所有夥伴都應該直接對接 DeepSeek API 做一個支援 Function Calling 的 Agent 後端服務，從請求到串流回應到工具呼叫全流程跑通。

容器化和沙箱技術是第二塊。Docker 和 Kubernetes 是基礎，進階方向是 gVisor、Firecracker 這類輕量級虛擬化方案。Agent 沙箱對啟動速度的要求比傳統容器高得多。

ReAct 迴圈是第三塊。接收指令 → 拆解任務 → 選擇工具 → 執行 → 觀察結果 → 決定下一步。不需要會訓練模型，但這個迴圈裡每一步涉及的後端基礎設施（任務佇列、工具註冊中心、執行狀態管理、結果儲存）都需要有人來搭建。

03、前端／客戶端的新職責

前端方向的職責描述是「負責 DeepSeek 網頁版、開放平台等服務的迭代開發，探索、預研 Agent 等概念的新互動範式，尋找 AGI 時代的人機互動方式。」

「新互動範式」是整個 JD 的重心。

現在主流 AI 產品的介面還停留在對話框模式——使用者打字，模型回答，一來一回。但 Agent 的工作方式遠比對話複雜。

一個 Agent 執行任務時可能同時在做好幾件事：分析需求、搜尋資料、生成程式碼、執行測試、修復 bug。執行到關鍵節點還可能暫停下來請求使用者確認。

怎麼把這種多步驟、多分支、可中斷的執行過程呈現給使用者？

嗯，這是一個沒有標準答案的設計問題（bushi）。

客戶端方向要求「具備 iOS/Android 原生開發經驗，熟悉 Swift/Objective-C 或 Kotlin/Java」。DeepSeek App 在行動端已有千萬級 DAU，原生開發的效能調校（啟動速度、記憶體管理、渲染流暢度）直接影響使用者體驗和留存。

前端／客戶端開發者怎麼準備？

基礎技能包括熟練 JavaScript/TypeScript、至少掌握一個主流前端框架、HTML/CSS/HTTP 基礎紮實。

在此基礎上要補三個方向。

①、串流渲染。大模型輸出是逐 token 回傳的，前端需要使用者看到第一個字就開始渲染，不能等整段話生成完畢再顯示。SSE 解析、增量 DOM 更新、虛擬捲動（大段程式碼輸出時防止頁面卡頓）這些技術細節都要掌握。

②、Agent 狀態視覺化。Agent 執行多步任務時，前端需要即時展示每一步的狀態，比如正在思考、正在呼叫工具、等待使用者確認、任務完成。這是一個複雜的狀態機設計問題，涉及前端狀態管理、過渡動畫、異常處理（Agent 卡住了怎麼提示使用者、網路斷了怎麼恢復會話）。

③、跨端能力。JD 明確寫了 iOS/Android 原生經驗優先。純 Web 前端如果想補這塊，React Native 或 Flutter 是跨端方案的入口。長期來看，千萬 DAU 級別的行動端產品對效能要求極高，原生開發依然是天花板最高的方案。

04、測試開發的新職責

測試開發工程師的 JD 提到了兩個關鍵資訊：DeepSeek 業務及系統的品質保障、Go/Rust 優先。

先說「品質保障」在 AI 系統中意味著什麼。

傳統軟體測試的核心是確定性驗證，給定輸入 A，預期輸出 B，實際輸出是 B 就通過。大模型的輸出是機率性的——同一個 prompt 輸入兩次，可能得到不同的回答，兩個回答可能都對，也可能都有錯誤。

取代傳統測試方法的是評測體系。

DeepSeek 的 Code Agent 資料工程師崗位 JD 裡列出了評估維度，包括可用性、程式碼規範、工程品質、任務完成度、規劃能力、工具呼叫準確率、多輪互動連貫性、指令遵循。每一個維度都需要獨立的評測方案，包括構造測試資料集、制定評分規則、跑 benchmark、做統計分析、和基準做對比。

再說「Go/Rust 優先」。傳統測試崗常見的技術棧是 Java+Selenium 或 Python+pytest。DeepSeek 要 Go/Rust，說明測試基礎設施本身是效能敏感的。

大模型評測需要並發執行幾百上千個測試用例，每個用例可能包含一次完整的推理請求，整個評測流程可能持續數小時。

測試開發者怎麼準備？

傳統測試基本功依然重要，測試用例設計、自動化框架、CI/CD 整合，這些在 AI 系統測試中同樣需要。

HumanEval 考察程式碼生成、MMLU 考察知識儲備、SWE-bench 考察真實工程任務完成度。建議去讀 DeepSeek、OpenAI、Anthropic 發布的模型評測報告和技術部落格，理解這些 benchmark 的設計思路。

「用 Agent 測 Agent」值得關注。

讓一個 Agent 執行任務，另一個 Agent 評估執行品質，形成自動化的評測循環。

DeepSeek 的資料策略崗位提到「建構 Agent 強化學習環境」，這本質上就是一套 Agent 自動評測系統。能搭建這種系統的測試工程師，在整個產業都是稀缺人才。

05、兩個 AI 原生的新崗位

伺服器端、前端、測試，這三個是傳統崗位的 AI 進化。

而 Agent Harness 和 Agent Infra 是 AI 時代原生的新崗位，兩年前根本不存在。

Agent Harness 是什麼？

Model + Harness = Agent。

模型提供推理能力。Harness 負責模型之外的所有工作——上下文管理、長期記憶、工具呼叫編排、子 Agent 協調、任務規劃、自進化機制。

目前 Harness 領域的代表產品包括 Claude Code、Codex 等產品，國產廠商也在積極跟進這個領域。

三個子方向——研究、研發／工程、產品。

研究方向探索 Harness 領域的前沿課題，上下文管理策略怎麼優化、長期記憶用什麼架構、多 Agent 如何協作、Agent 怎麼實現自進化。

研發／工程方向要求能夠在 AI 輔助下，在沒有直接經驗的領域進行研究和程式設計。

換個說法，DeepSeek 不要某個語言或框架的專家，要的是能用 AI 工具快速進入任何技術領域的人。

會不會 Rust 不重要，能不能借助 AI 在一天內用 Rust 寫出一個可用原型才重要。JD 裡還列出了他們關注的 Agent 產品清單：Claude Code、Cowork、Codex、OpenCode、GitHub Copilot、Manus、OpenClaw、Hermes。

產品方向要具備「Vibe Coding 能力」，產品經理要能借助 AI 工具寫程式做原型驗證，不能只畫 PRD 等開發排期。

JD 中的技術關鍵字密度極高：LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent、Prompt Engineering、Context Engineering、Harness Engineering。

這些關鍵字覆蓋了 Agent 技術棧的全部核心概念。

Agent Infra 做什麼

Agent Infra 研發工程師負責打造 DSec——為 Agent 量身打造的雲端平台，託管成千上萬個沙箱環境。想像一下場景：幾千萬使用者同時使用 DeepSeek 的 Agent，每個 Agent 都可能執行程式碼、讀寫檔案、存取網路。這些操作需要隔離的沙箱來保障安全。幾千萬並發沙箱，每個要毫秒級啟動、嚴格資源隔離、安全網路策略——這就是 Agent Infra 要解決的問題。