职场微博·默庵·超级个体··AI 生成
DeepSeek招聘信号
这篇微博博文从 DeepSeek 的一则招聘 JD 出发，解读了 AI 行业在 Agent 工程化方向上的五个关键信号。核心观点是：大模型竞争已从单纯模型能力比拼，进入以 'Model + Harness = Agent' 为公式的工程化落地深水区。作者指出，岗位需求（从 LLM API 到 Multi-Agent）反映了研究与工程交叉的新岗位形态，以及从 Harness 需求倒推模型能力的产品驱动研究思路。文章适合关注 AI 行业趋势、技术栈演进及职业发展方向的深度读者，能快速获取一线招聘动态折射出的产业转向信号。
核心观点
- ▍大模型竞争已从单纯的模型能力比拼，进入到以 Agent 工程化为核心的深水区，'Model + Harness = Agent' 是理解当前阶段的关键公式。
- ▍AI 行业分工正在重构，出现了 'Agent Engineering' 这一横跨研究、工程与产品的新交叉领域，技能栈要求既懂原理（LLM API、KV Cache）又能实操（Agent Loop、Tool Use）。
- 01DeepSeek 的招聘 JD 明确要求技能组合包含 LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、MCP、Memory、Multi-Agent 等，表明该岗位是研究和工程的交叉地带。
- 02作者指出，该岗位从 Harness 的实际需求倒推模型需要什么能力，是一种 '产品驱动研究' 的思路，与传统的 '先训练模型，再想怎么用' 相反。
- 03作者注意到，JD 中 '熟练使用 AI Agent 工具进行软件开发' 与 '研究和开发 Agent 工具本身' 的要求并存，是一种自举式开发方式。
- 04作者通过岗位 '全职' 要求推测，Agent Harness 领域窗口期只有一两年，各家公司都在抢有成熟经验的独立项目推动者。
反方 / 局限
- — 作者未直接讨论其推测的局限性：一条 JD 中的技能要求是否能代表整个行业的趋势，以及 '产品驱动研究' 思路在需要长期、基础性突破的领域是否可能过于短视。
DeepSeekAgent HarnessAgent LoopTool UseMCPMulti-AgentKV CacheAgent Engineering
概念锚点
前置背景
平行视角
未来推演
延伸追问