多智能体协同工程师（Multi-Agent Systems & Coordination Engineer）

**部门：**AI智能体研究中心
**地点：**香港, 深圳
**工作经验：**实习生、应届生
**招聘人数：**10人

关于岗位

我们正在寻找多智能体协同工程师，加入 echOS Agent Core 团队。

你将直接参与设计与实现：

• 多业务 Agent 的角色划分与职责边界
• 跨 Agent 状态同步与数据一致性
• Agent 间协商、冲突解决与联合决策机制
• 多 Agent 在真实交易系统中的稳定运行

这是多智能体系统在真实产业场景中的工程化落地，而不是仿真环境中的理论实验。

⸻

工作重点（Focus）

你将负责构建 echOS 多智能体协同基础设施，包括但不限于：

Agent 架构层

• 设计多 Agent 的角色模型（定价 / 库存 / 履约 / 渠道 / 计划）
• 构建 Agent 生命周期管理（启动、暂停、恢复、重组）
• 定义 Agent 权限边界与职责分离机制

协同与决策层

• 实现 Agent 间通信协议与状态广播
• 构建冲突检测与协商框架（如价格 vs 库存、时效 vs 成本）
• 支持集中式 + 分布式混合决策
• 引入多智能体强化学习（MARL）优化整体系统收益

系统工程层

• 构建多 Agent 仿真与回放环境
• 实现协同行为可观测系统（决策链路、责任归因、效果评估）
• 搭建 A/B 框架评估协同策略
• 支持新 Agent 快速接入现有系统

⸻

理想经验

• 有复杂系统 / 分布式系统 / Agent 系统经验
• 熟悉 Python
• 理解强化学习或博弈论基本概念
• 能将复杂业务拆解为多个自治模块
• 具备系统级抽象能力

加分项：

• Multi-Agent RL
• 博弈论 / 机制设计
• 调度系统 / 资源分配系统
• 企业级系统架构经验

⸻

你将面对的真实问题

• 定价 Agent 提高利润但导致库存积压，库存 Agent 要求降价清仓，如何设计可学习的协商机制？
• 履约 Agent 为追求交付时效提高物流成本，如何让多个 Agent 自动达成成本与体验平衡？
• 新接入一个业务模块（例如促销 Agent），如何快速融入既有协同网络？
• 多 Agent 各自局部最优导致整体系统退化，如何设计全局激励？
• 企业策略变化（例如从增长导向转向利润导向），如何让 Agent 网络快速重构行为模式？

⸻

技术栈

Python / PyTorch

分布式系统

多 Agent 框架

Typescript / React（内部工具）

Department:
AI Agent Research Center
Location:
Hong Kong, Shen Zhen
Work Experience:
Graduate / Early Career
Number of openings: 10

About the Role

We are seeking Multi-Agent Systems & Coordination Engineers to join our Agent Core team.

You will help design and implement systems where multiple autonomous agents:

• Share state and communicate
• Negotiate resources and objectives
• Resolve conflicts
• Execute distributed decisions
• Form stable long-term cooperation strategies

This is multi-agent engineering in real industrial environments — not simulated grids.

⸻

Focus

Agent Architecture

• Design agent roles (pricing, inventory, fulfillment, channel, planning)
• Implement agent lifecycle management (start, pause, recovery, reconfiguration)
• Define responsibility boundaries and permissions

Coordination & Decision Layer

• Build inter-agent communication protocols
• Implement conflict detection and negotiation frameworks
• Support hybrid centralized + decentralized decision making
• Apply multi-agent reinforcement learning to optimize global outcomes
• Enable joint planning across agents

Systems Engineering

• Build multi-agent simulation and replay environments
• Develop observability tools for coordination behaviors and decision chains
• Implement A/B frameworks for evaluating coordination strategies
• Enable fast onboarding of new agents into existing ecosystems

⸻

Ideal Experience

• Experience with complex systems, distributed systems, or agent architectures
• Strong Python
• Understanding of reinforcement learning or game theory fundamentals
• Ability to decompose complex domains into autonomous components
• Strong system-level abstraction skills

Nice to have:

• Multi-Agent RL
• Game theory / mechanism design
• Scheduling or resource allocation systems
• Enterprise-scale system architecture

⸻

Typical Problems You’ll Work On

• Pricing agents increase margin but cause inventory buildup — how should agents negotiate?
• Fulfillment agents optimize delivery speed at higher cost — how do agents learn balanced strategies?
• A new business agent is introduced — how does it integrate into the existing coordination network?
• Local agent optimization degrades global performance — how do we design global incentives?
• Enterprise strategy shifts (growth → profitability) — how do agents rapidly realign?

⸻

Tech Stack

Python / PyTorch
Distributed systems
Multi-agent frameworks
TypeScript / React (internal tools)