小红书(xiaohongshu)招聘AI实习生 - AI 产研效能Agent方向
招聘职位：
AI实习生 - AI 产研效能Agent方向 搜索同类职位
岗位职责：
1.全链路提效探索：跳出单纯的代码生成视角，探索 AI Agent 在 需求分析（Product）、设计还原（Design）、代码实现（Dev）、测试排障（QA/Ops） 全链路中的应用场景。
2.智能排障与运维助手：参与设计和实现“智能排障 Agent”，利用 LLM 分析日志、Trace、监控数据，实现自动化的根因分析（RCA）、故障定位与修复建议，降低 MTTR（平均修复时间）。
3.研发辅助工具链：建设面向特定场景的 AI 辅助工具，例如：
产品侧：辅助 PRD 结构化拆解、需求漏洞扫描、User Story 自动生成。
设计侧：从 Design Token/Figma 到前端代码的精准还原与组件映射。
测试侧：基于代码变更自动生成测试用例、端到端（E2E）测试脚本生成与维护。
4.编码智能体深化：继续优化 Coding Agent，不仅限于生成代码，更关注代码重构建议、技术债务识别、代码风格自动化修正等“工程治理”能力。
5.数据驱动的效能评估：协助构建研发效能数据看板，利用 AI 分析研发过程数据（Git log、Jira、CI/CD流水线等），识别瓶颈并提供改进策略。
任职要求：
1.学历背景：在读研究生及以上（本科高年级优秀者亦可考虑），计算机、软件工程、人工智能相关专业。
2.论文与研究要求：
论文方向：在 软件工程（SE）、AIOps、智能运维、程序分析、人机交互（HCI） 或 AI 相关顶会（ICSE/FSE/ASE/ISSTA/OSDI/NSDI/CHI/ACL 等）发表或投稿论文。
研究经历：关注 LLM for SE（软件工程大模型）、Automated Debugging（自动调试）、Log Analysis（日志分析）、Test Generation（测试生成）等方向。
3.技术栈要求：
熟悉 Python 及至少一种主流应用开发语言（Java/Go/TS），具备全栈视野者优先。
了解 DevOps 流程与工具链（Gitlab CI/Jenkins、Docker、K8s、Prometheus/Grafana、ELK 等）。
4.工程与业务敏感度：
不仅仅关注算法模型，更关注**“AI 如何融入真实工作流”**。
对研发效能（Developer Productivity）、敏捷开发方法论有一定理解。
5.加分项：
有 AIOps 相关实践经验（如日志异常检测、时序数据预测）。
熟悉 Figma 插件开发或前端智能化（D2C - Design to Code）技术。
参与过开源 DevTools 或 IDE 插件的开发。
【实习收获】
1.全视角视野：跳出单一编码环节，掌握软件研发生命周期全链路的 AI 赋能方法论。
2.前沿交叉领域：深入 LLM 与 Software Engineering、DevOps 结合的最新研究前沿（LLM4SE, AIOps）。
3.实际落地经验：你的工作将直接作用于真实的产研团队，解决具体的痛点（如线上故障排查、需求对齐困难等）。
1.全链路提效探索：跳出单纯的代码生成视角，探索 AI Agent 在 需求分析（Product）、设计还原（Design）、代码实现（Dev）、测试排障（QA/Ops） 全链路中的应用场景。
2.智能排障与运维助手：参与设计和实现“智能排障 Agent”，利用 LLM 分析日志、Trace、监控数据，实现自动化的根因分析（RCA）、故障定位与修复建议，降低 MTTR（平均修复时间）。
3.研发辅助工具链：建设面向特定场景的 AI 辅助工具，例如：
产品侧：辅助 PRD 结构化拆解、需求漏洞扫描、User Story 自动生成。
设计侧：从 Design Token/Figma 到前端代码的精准还原与组件映射。
测试侧：基于代码变更自动生成测试用例、端到端（E2E）测试脚本生成与维护。
4.编码智能体深化：继续优化 Coding Agent，不仅限于生成代码，更关注代码重构建议、技术债务识别、代码风格自动化修正等“工程治理”能力。
5.数据驱动的效能评估：协助构建研发效能数据看板，利用 AI 分析研发过程数据（Git log、Jira、CI/CD流水线等），识别瓶颈并提供改进策略。
任职要求：
1.学历背景：在读研究生及以上（本科高年级优秀者亦可考虑），计算机、软件工程、人工智能相关专业。
2.论文与研究要求：
论文方向：在 软件工程（SE）、AIOps、智能运维、程序分析、人机交互（HCI） 或 AI 相关顶会（ICSE/FSE/ASE/ISSTA/OSDI/NSDI/CHI/ACL 等）发表或投稿论文。
研究经历：关注 LLM for SE（软件工程大模型）、Automated Debugging（自动调试）、Log Analysis（日志分析）、Test Generation（测试生成）等方向。
3.技术栈要求：
熟悉 Python 及至少一种主流应用开发语言（Java/Go/TS），具备全栈视野者优先。
了解 DevOps 流程与工具链（Gitlab CI/Jenkins、Docker、K8s、Prometheus/Grafana、ELK 等）。
4.工程与业务敏感度：
不仅仅关注算法模型，更关注**“AI 如何融入真实工作流”**。
对研发效能（Developer Productivity）、敏捷开发方法论有一定理解。
5.加分项：
有 AIOps 相关实践经验（如日志异常检测、时序数据预测）。
熟悉 Figma 插件开发或前端智能化（D2C - Design to Code）技术。
参与过开源 DevTools 或 IDE 插件的开发。
【实习收获】
1.全视角视野：跳出单一编码环节，掌握软件研发生命周期全链路的 AI 赋能方法论。
2.前沿交叉领域：深入 LLM 与 Software Engineering、DevOps 结合的最新研究前沿（LLM4SE, AIOps）。
3.实际落地经验：你的工作将直接作用于真实的产研团队，解决具体的痛点（如线上故障排查、需求对齐困难等）。
免责声明：
此信息由小红书官网 (查看来源)审核并发布，我们转载该信息，仅出于传递更多就业招聘资讯、促进大学生及广大求职者就业之目的。该招聘职位信息的真实性、准确性、时效性及合法性均由原始发布方“小红书官网”负责。我们作为信息转载平台，不构成求职建议，不涉及任何职业中介服务，不对其内容承担任何形式的保证责任。请用户在使用转载信息时保持审慎，自行判断并承担相应风险，求职请认准企业官方渠道！
