夢晨 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

DeepSeek，一口氣開放17個招聘崗位。

最核心研發(fā)崗聚焦Agent，覆蓋算法研究、數(shù)據(jù)評測、基礎(chǔ)設(shè)施全鏈條。

仔細閱讀每個崗位的要求，發(fā)現(xiàn)兩個有意思的細節(jié)：

多個崗位在“加分項”或“崗位要求”中明確提到：重度使用Claude Code、Cursor、Copilot等AI編程工具的優(yōu)先。

在全棧開發(fā)工程師的崗位職責(zé)中，也出現(xiàn)了一條不太常見的描述：作為Vibe Coding重度用戶，持續(xù)探索模型能力在產(chǎn)品中的創(chuàng)新應(yīng)用。

DeepSeek需要什么樣的Agent人才？

從崗位要求來看，DeepSeek的Agent布局已經(jīng)從研究落地到具體能力建設(shè)階段：

Agent深度學(xué)習(xí)算法研究員

核心任務(wù)包括探索提升模型能力的新方法與新范式，參與強化學(xué)習(xí)在大模型對齊與能力提升中的應(yīng)用研究，覆蓋RLHF/RLAIF、過程獎勵、偏好學(xué)習(xí)等方向。

Agent數(shù)據(jù)評測專家

聚焦于構(gòu)建評測數(shù)據(jù)集，精準(zhǔn)區(qū)分不同模型的能力邊界，針對Agent的規(guī)劃、工具調(diào)用、多輪交互、長期記憶等核心能力設(shè)計測試用例。

Agent基礎(chǔ)設(shè)施工程師

負責(zé)搭建Agent運行的底層基座，包括集成外部工具到內(nèi)部強化學(xué)習(xí)基礎(chǔ)設(shè)施、搭建Agent評測平臺、維護內(nèi)部Agent集成框架。

除了三個專屬崗位，DeepSeek還在產(chǎn)品和工程端同步布局Agent能力：

模型策略產(chǎn)品經(jīng)理崗位，單獨設(shè)立了Agent方向。

要求候選人“熟悉Agent核心機制（Tool Use、Planning、長期記憶、Multi-Agent協(xié)作等）；

持續(xù)跟蹤行業(yè)前沿，熟悉并深度使用過Claude Code、OpenClaw、Manus等知名agent”，需要洞察高價值A(chǔ)gent應(yīng)用場景，包括OpenClaw式的生活/工作個人助理、Deep Research、自動化工作流、多模態(tài)設(shè)備控制等，主導(dǎo)Agent評測體系及訓(xùn)練數(shù)據(jù)方案設(shè)計。

全棧開發(fā)工程師崗位，也明確將“支撐海量AI Agent運行的下一代容器調(diào)度與隔離平臺”作為核心工作方向。

需要攻克容器生命周期管理、資源精細調(diào)度、多硬件平臺統(tǒng)一支持等核心難題，構(gòu)建高性能、高安全性的Agent運行時環(huán)境。

對比今年1月，當(dāng)時DeepSeek開放的核心崗位集中在”深度學(xué)習(xí)研究員-AGI”這類通用研究方向），此次招聘明顯從”基礎(chǔ)模型研究”向”Agent產(chǎn)品化”傾斜。

DeepSeek的全鏈路Agent能力布局

這些招聘需求，拼湊出DeepSeek在Agent方向的技術(shù)布局。

首先能看出DeepSeek在追求數(shù)據(jù)閉環(huán)能力。

算法研究員崗位明確要求”與數(shù)據(jù)標(biāo)注團隊緊密協(xié)作，設(shè)計標(biāo)注方案與質(zhì)量標(biāo)準(zhǔn)，形成’數(shù)據(jù)-訓(xùn)練-評測’的能力提升閉環(huán)”。

這意味著DeepSeek正在搭建從數(shù)據(jù)生產(chǎn)到模型迭代的完整流水線，而非依賴第三方數(shù)據(jù)服務(wù)。

然后是Agent技術(shù)棧的全面布局。

基礎(chǔ)設(shè)施崗位要求熟悉”MCP、Tool Use、Function Calling等Agent交互協(xié)議與規(guī)范”，評測崗位則要求對”Agent跨session記憶連續(xù)性、多工具調(diào)度可靠性”等前沿問題有體系化認知。

這些關(guān)鍵詞都指向具備復(fù)雜任務(wù)執(zhí)行能力的自主Agent系統(tǒng)。

此次大規(guī)模招聘也印證了此前的行業(yè)傳聞。

2025年9月曾有消息稱，DeepSeek正在開發(fā)具備高級Agent功能的AI模型，計劃在2025年第四季度發(fā)布，對標(biāo)OpenAI等海外競爭對手，能夠在最小用戶指引下執(zhí)行多步任務(wù)，并基于歷史行動自主學(xué)習(xí)進化。

DeepSeek的R-1推理模型曾以數(shù)百萬美元的研發(fā)成本，在基準(zhǔn)測試中追平或超過OpenAI同類產(chǎn)品，顛覆了大模型研發(fā)需要巨額投入的行業(yè)共識。

能不能像R-1改變推理模型行業(yè)格局一樣，用低成本方案再次顛覆Agent賽道，答案可能很快就會揭曉。

參考鏈接：
[1]https://app.mokahr.com/social-recruitment/high-flyer/140576#/