wuyang/agent
2
2
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

Add jobs and papers collection workflow

Browse Source
This commit is contained in:
wuyang
2026-07-08 11:18:34 +08:00
parent 47cea9ddc9
commit 1b6cc1f59a
27 changed files with 1014 additions and 48 deletions
Download Patch File Download Diff File Expand all files Collapse all files
jobs/README.md
+35
View File
@@ -0,0 +1,35 @@
# Jobs
这里持续收集北京大厂 Agent / LLM 相关岗位要求。
重点不是保存 JD 原文，而是分析市场正在要求哪些能力、哪些能力正在变成基础门槛、哪些方向值得补论文和实验。
## Structure
- [items](items/README.md): 每条岗位一个 Markdown 文件
- [schema](schema.md): JD 笔记字段和写法
- [source-registry](source-registry.md): 来源优先级、目标公司、搜索方式
- [skill-taxonomy](skill-taxonomy.md): 岗位能力标签体系
- [market-insights](market-insights.md): 周期性趋势总结
## Collection Questions
- 北京大厂有哪些 Agent / LLM 相关岗位？
- 这些岗位反复要求什么技能？
- 哪些技能是硬门槛，哪些是加分项？
- 不同公司对 Agent 的理解有什么差异？
- 哪些岗位要求能反哺到论文阅读、实验和项目规划？
## Workflow
1. 收集岗位链接或原始 JD。
2. 用 [jd-note](../templates/jd-note.md) 建立结构化笔记。
3. 按 [skill-taxonomy](skill-taxonomy.md) 打标签。
4. 更新 [market-insights](market-insights.md)。
5. 把稳定结论回流到 `docs/`、`papers/`、`experiments/` 或 `projects/`。
## Initial Scope
- location: 北京优先
- companies: DeepSeek、腾讯、字节、阿里、百度、美团、快手、京东、小米、商汤、智谱、月之暗面等
- role keywords: Agent、LLM、AIGC、大模型应用、RAG、AI Infra、模型评估、智能体、代码智能、AI 产品
jobs/items/README.md
+16
View File
@@ -0,0 +1,16 @@
# Job Items
每条岗位一个文件，文件名建议：
```text
YYYY-MM-DD-company-role-location.md
```
例子：
```text
2026-07-08-deepseek-agent-engineer-beijing.md
2026-07-08-tencent-llm-application-engineer-beijing.md
```
写入前先检查是否已经有同公司、同岗位、同来源的记录。岗位更新时优先新增 snapshot，不要直接覆盖旧笔记，因为 JD 的变化本身也是趋势信号。
jobs/market-insights.md
+46
View File
@@ -0,0 +1,46 @@
# Job Market Insights
status: seed
这个文件沉淀 JD 收集后的趋势判断。原始岗位放在 `jobs/items/`，这里记录归纳结论。
## Current Snapshot
- date:
- scope: 北京，大厂 Agent / LLM 相关岗位
- sample size:
- source mix:
## High-frequency Skills
| Skill | Count | Companies | Notes |
| --- | --- | --- | --- |
| _TBD_ | _TBD_ | _TBD_ | _TBD_ |
## Company Differences
| Company | Signals | Notes |
| --- | --- | --- |
| DeepSeek | _TBD_ | _TBD_ |
| 腾讯 | _TBD_ | _TBD_ |
| 字节 | _TBD_ | _TBD_ |
| 阿里 | _TBD_ | _TBD_ |
| 百度 | _TBD_ | _TBD_ |
## Role Patterns
- Agent engineer:
- LLM application engineer:
- AI infra engineer:
- AI product manager:
- AI research engineer:
## Knowledge Gaps
这些是 JD 里出现但知识库尚未充分覆盖的方向：
-
## Follow-up Collection Queue
-
jobs/schema.md
+96
View File
@@ -0,0 +1,96 @@
# Jobs Schema
JD 笔记使用 YAML frontmatter 加正文。
## Frontmatter
```yaml
---
type: job
company:
role:
location: 北京
source_url:
source_name:
source_quality: official / job-board / social / secondary / unknown
collected_at: YYYY-MM-DD
posted_at:
status: active / expired / unknown
level:
team:
business_area:
employment_type:
salary:
skills:
- agent
- rag
topics:
- tool-use
- evaluation
models:
-
related_papers:
-
related_experiments:
-
related_projects:
-
relevance: high / medium / low
---
```
## Body
```text
# <company> - <role>
## Source Snapshot
来源、采集日期、是否北京岗位、是否仍可访问。
## Raw JD Summary
用自己的话概括岗位职责、任职要求和加分项。不要无选择地复制长段原文。
## Responsibilities
-
## Requirements
-
## Bonus Points
-
## Extracted Signals
- hard requirements:
- preferred skills:
- hidden signals:
- business direction:
## Knowledge Links
- concepts:
- papers:
- experiments:
- projects:
## Gaps for Us
-
## Notes
-
```
## Field Rules
- `source_url` 必填，除非来源是用户直接提供的截图或文本。
- `collected_at` 必填，因为 JD 是强时效资料。
- `skills` 使用 [skill-taxonomy](skill-taxonomy.md) 中的标签，新增标签要同步补充说明。
- `Raw JD Summary` 只做摘要和结构化提取，避免长篇搬运。
- `Extracted Signals` 是最重要部分：它把 JD 从资料变成判断。
jobs/skill-taxonomy.md
+93
View File
@@ -0,0 +1,93 @@
# Job Skill Taxonomy
这是 JD 分析使用的受控标签。新增标签时先放在 `candidate tags`，多次出现后再转正。
## Agent System
- `agent`
- `planning`
- `tool-use`
- `function-calling`
- `workflow-agent`
- `multi-agent`
- `human-in-the-loop`
- `memory`
- `browser-agent`
- `coding-agent`
## LLM Application
- `rag`
- `prompt-engineering`
- `context-engineering`
- `llm-application`
- `knowledge-base`
- `chatbot`
- `ai-assistant`
- `enterprise-ai`
## Evaluation
- `agent-evaluation`
- `llm-evaluation`
- `benchmark`
- `red-teaming`
- `observability`
- `data-quality`
- `offline-eval`
- `online-eval`
## Model and Infra
- `model-training`
- `fine-tuning`
- `rlhf`
- `rl`
- `inference`
- `serving`
- `distributed-training`
- `gpu`
- `model-compression`
- `quantization`
## Data and Retrieval
- `embedding`
- `vector-database`
- `search`
- `ranking`
- `information-retrieval`
- `data-pipeline`
- `document-processing`
## Engineering
- `python`
- `typescript`
- `backend`
- `frontend`
- `fullstack`
- `system-design`
- `cloud`
- `kubernetes`
- `microservice`
- `security`
## Product and Business
- `ai-product`
- `user-research`
- `product-design`
- `b2b`
- `consumer-ai`
- `office-automation`
- `customer-service`
- `developer-tools`
## Candidate Tags
- `long-context`
- `multimodal-agent`
- `computer-use`
- `voice-agent`
- `mobile-agent`
jobs/source-registry.md
+76
View File
@@ -0,0 +1,76 @@
# Jobs Source Registry
这个文件记录 JD 收集来源、优先级和搜索策略。
## Source Priority
| Priority | Source Type | Use |
| --- | --- | --- |
| 1 | 公司官方招聘站、官方公众号、官方内推页面 | 最可靠，优先采集 |
| 2 | 主流招聘平台 | 用于补充岗位数量、薪资、级别和描述变化 |
| 3 | 技术社区、社交平台、内推帖 | 用于发现新岗位和团队方向 |
| 4 | 二手转载和聚合站 | 只作为线索，不直接当成结论 |
## Target Companies
| Company | Notes | Status |
| --- | --- | --- |
| DeepSeek | 模型、推理、Agent、应用和研究岗位重点关注 | watch |
| 腾讯 | 混元、云、微信、PCG、企业服务等大模型应用场景 | watch |
| 字节 | 豆包、火山、扣子、搜索、代码智能、AI infra | watch |
| 阿里 | 通义、云、钉钉、智能编码、企业知识库 | watch |
| 百度 | 文心、搜索、智能云、Agent 应用 | watch |
| 美团 | 搜索推荐、效率工具、业务智能化 | watch |
| 快手 | 内容理解、AIGC、智能创作、Agent 应用 | watch |
| 京东 | 零售、供应链、客服和企业智能化 | watch |
| 小米 | 端侧 AI、智能硬件、助手、模型应用 | watch |
| 智谱 | 模型、Agent、应用平台和企业服务 | watch |
| 月之暗面 | 长上下文、AI 助手、应用工程 | watch |
## Search Queries
北京岗位：
```text
site:careers.tencent.com 北京 大模型 Agent
site:careers.tencent.com 北京 LLM 应用
site:jobs.bytedance.com 北京 Agent 大模型
site:jobs.bytedance.com 北京 RAG 大模型
site:jobs.alibaba.com 北京 大模型 Agent
site:talent.baidu.com 北京 大模型 Agent
DeepSeek 北京 Agent 招聘
DeepSeek 大模型 应用 工程师 北京
```
招聘平台：
```text
北京 Agent 工程师 大模型
北京 LLM 应用工程师 RAG
北京 大模型评估 工程师
北京 智能体 工程师
北京 代码智能 Agent 工程师
```
## Collection Cadence
- weekly: 新增岗位和明显变化
- monthly: 高频技能、公司差异和知识缺口汇总
- quarterly: 判断哪些能力已经从加分项变成基础要求
## Codex Collection Role
当你让我收集 JD 时，我会：
1. 先确认范围：城市、公司、关键词、时间窗口。
2. 优先查官方来源，再补充招聘平台和社区线索。
3. 为每条岗位创建 `jobs/items/` 笔记。
4. 抽取技能、业务方向、隐含能力和知识缺口。
5. 更新 [market-insights](market-insights.md) 和 [skill-taxonomy](skill-taxonomy.md)。
6. 标记需要补论文、实验或项目验证的方向。
## Known Friction
- 一些招聘平台需要登录、验证码或限制搜索结果。
- 同一岗位可能在多个渠道重复出现，需要按公司、岗位、来源和日期去重。
- JD 过期很快，所有判断都必须带日期。