DeepSeek这次招得太猛了，36个岗位，80%都要会Agent！

admin

大家好，我是二哥呀。
第一次，看到 DeepSeek 官方主动摇人！
并且我注意到一个很重要的信息：随着技术演进，所有部门的规模将扩大至少一倍。
所有部门啊，至少一倍啊。
这在当下这个 AI 时代，绝对是异类的存在。
官方在招的岗位有 36 个，老板直聘上更是挂了 121 个职位。从服务端到前端/客户端，从测试到运维，从产品到深度学习研究员，几乎是完整编制。
我深度研究了一番。
最直观的发现是，80% 的岗位 JD 里出现了 Agent 相关要求。
那这篇文章，将逐岗位拆解这些 JD，给 AI 时代下的牛马们（包括我啦），一份完整的求职准备指南。当然了，拿来做一份职业规划，也是完全 OK 的。
最起码你能搞清楚，接下来你应该往哪个方向去努力，应该掌握哪些刚需的技术栈。

系好安全带，我们粗粗粗发～事半功倍的时候来了

01、36 个岗位分别是什么？

先说背景。2026 年 6 月，DeepSeek 母公司幻方量化完成或接近完成了 A 轮 510 亿元融资。
这应该是这次大力扩招的直接原因。
要想发展好，还得靠人啊。
这次招聘覆盖 8 个大类，全栈开发/算法（8 个岗位）、AI 核心系统研发（4 个）、运维（4 个）、产品（2 个）、模型数据策略（5 个）、深度学习研究员（4 个）、职能部门（6 个），以及 Agent Harness。
工作地点集中在杭州和北京。可实习，可全职。我把高频技术关键词做了一个统计。

• Agent，20+ 个岗位提及
• LLM，15+ 个岗位提及
• KV Cache，6 个岗位涉及（横跨推理、存储、Agent 三个方向）
• MCP / Tool Use / Agent Loop，5 个岗位明确要求
• Prompt Engineering / Context Engineering，5+ 个岗位提及
• Vibe Coding，4 个岗位作为要求或加分项出现
  

02、后端开发的新职责

第一，面向数千万日活用户的大模型应用与 API 服务架构设计。大模型 API 和传统 REST API 的核心差异在于请求模式。
传统接口是"请求进来 → 处理 → 返回 JSON"，毫秒级完成。大模型推理一次可能持续十几秒、两三分钟甚至更长，返回的是逐 token 的流式数据。
更复杂的是，Agent 在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"模型变成了"接收 → 启动推理 → 流式返回 → 中途工具调用 → 继续推理 → 返回"。
架构复杂度更高。
第二，面向 Agent 的数据与执行环境基建。大模型公司内部都有一个为 Agent 量身定制的云平台，托管成千上万个沙箱环境。
用户让 Agent 跑一段代码，这段代码需要安全隔离的执行环境：容器要毫秒级启动，文件系统要临时可销毁，网络要严格隔离。这些都是后端工程师的能力范围，只是服务对象从"用户请求"变成了"Agent 任务"。
后端开发者在 AI 时代怎么准备？

基础要求没变，计算机基础要扎实，数据结构与算法要熟练。
但需要补三块能力。
流式服务架构是第一块。SSE、WebSocket、gRPC streaming，大模型应用的前后端通信几乎都是流式的。
所有小伙伴都应该直接对接 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。
容器化和沙箱技术是第二块。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。
ReAct 循环是第三块。接收指令 → 拆解任务 → 选择工具 → 执行 → 观察结果 → 决定下一步。不需要会训练模型，但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）都需要有人来搭建。
03、前端/客户端的新职责
前端方向的职责描述是"负责 DeepSeek 网页版、开放平台等服务的迭代开发，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。"
"新交互范式"是整个 JD 的重心。
现在主流 AI 产品的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？
嗯，这是一个没有标准答案的设计问题（bushi）。
客户端方向要求"具备 iOS/Android 原生开发经验，熟悉 Swift/Objective-C 或 Kotlin/Java"。DeepSeek App 在移动端已有千万级 DAU，原生开发的性能调优（启动速度、内存管理、渲染流畅度）直接影响用户体验和留存。
前端/客户端开发者怎么准备？

基础技能包括熟练 JavaScript/TypeScript、至少掌握一个主流前端框架、HTML/CSS/HTTP 基础扎实。
在此基础上要补三个方向。
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，不能等整段话生成完毕再显示。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，比如正在思考、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（Agent 卡住了怎么提示用户、网络断了怎么恢复会话）。
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。
04、测试开发的新职责

测试开发工程师的 JD 提到了两个关键信息：DeepSeek 业务及系统的质量保障、Go/Rust 优先。
先说"质量保障"在 AI 系统中意味着什么。
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。
取代传统测试方法的是评测体系。
DeepSeek 的 Code Agent 数据工程师岗位 JD 里列出了评估维度，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，包括构造测试数据集、制定评分规则、跑 benchmark、做统计分析、和基线做对比。
再说"Go/Rust 优先"。传统测试岗常见的技术栈是 Java+Selenium 或 Python+pytest。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。
测试开发者怎么准备？

传统测试基本功依然重要，测试用例设计、自动化框架、CI/CD 集成，这些在 AI 系统测试中同样需要。
HumanEval 考察代码生成、MMLU 考察知识储备、SWE-bench 考察真实工程任务完成度。建议去读 DeepSeek、OpenAI、Anthropic 发布的模型评测报告和技术博客，理解这些 benchmark 的设计思路。
"用 Agent 测 Agent"值得关注。
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。
DeepSeek 的数据策略岗位提到"构建 Agent 强化学习环境"，这本质上就是一套 Agent 自动评测系统。能搭建这种系统的测试工程师，在整个行业都是稀缺人才。
05、两个 AI 原生的新岗位

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，两年前根本不存在。
Agent Harness 是什么？

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。

当前 Harness 领域的代表产品包括 Claude Code、Codex 等产品，国产厂商也在积极跟进这一领域。
三个子方向——研究、研发/工程、产品。
研究方向探索 Harness 领域的前沿课题，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。
换个说法，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。
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。JD 里还列出了他们关注的 Agent 产品清单：Claude Code、Cowork、Codex、OpenCode、GitHub Copilot、Manus、OpenClaw、Hermes。
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 中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。
Agent Infra 做什么

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。想象一下场景：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——这就是 Agent Infra 要解决的问题。

06、AI 时代的能力进化图

最底层是计算机基础。
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。
想想也是，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？
中间层是工程能力。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。
顶层是 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，不止 DeepSeek：

• 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
  

大家可以保存一下这个能力进化图，接下来的几年里，可能是五到十年，AI 时代的程序员们都要经历这个能力进化过程。
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。😄