深圳十镜科技招募LLM算法实习生，构建渐进式AI记忆系统

背景

在 LLM（大语言模型）应用开发领域，市场正从单纯的“模型调用”向深度的“认知架构设计”转型。深圳十镜科技有限公司（Spiro）正在构建一个名为 Spiro 的硬件+软件生态产品，其核心硬件为一款始终在线录音的手链，配合 APP 使用。该产品旨在通过持续捕捉用户的生活音频，利用 AI 技术帮助用户发现生活中被忽视的意义，实现“让 AI 渐进理解一个人”的目标。

该项目的创始人曾担任 AI 情绪吊坠 Nuna 的 CEO，联合创始人来自 OPPO，团队规模约 10 人，其中算法全职人员仅 2 人。目前，团队正在招募 LLM 应用算法实习生，重点在于构建多层记忆系统、音频感知层以及面向用户的产品化落地。

核心内容

Spiro 项目的核心算法工作围绕构建一个“像人认识另一个人那样”的认知模型展开，而非传统的数据库或知识库。具体工作内容涵盖以下三个主要维度：

1. 记忆系统构建 这是项目的核心难点。团队需要设计多层记忆架构，使 AI 能够渐进地理解用户。这包括识别用户“是谁”、“经历过什么”、“身边重要的人和事”、“行为习惯”以及“未来可能面对的事”。该记忆系统具备可溯源性和可演化性，旨在让用户感受到“被看见”，而非仅仅是对生活事件的机械总结。

2. 音频理解与感知层 作为系统的入口，算法团队负责从 24 小时不间断的录音中提取结构化信息。这涉及 ASR（自动语音识别）转录、说话人识别与分离、声纹匹配以及语音质量评估等技术环节。

3. 产品化落地与评估 基于记忆系统，算法需生成事件卡、信件等内容。团队需要建立效果评估体系，将主观的“被看见感”转化为可量化、可回归的指标。同时，实习生需具备快速原型验证能力，能在 1-2 天内利用真实数据跑通新想法，并将技术细节“翻译”为产品语言，说明其对功能效果的影响及权衡（trade-off）。

关键要点

• 技术栈要求务实且深入：

  • 拒绝仅会“调 API”或依赖 LangChain/Dify/Coze 等高级框架的候选人。
  • 要求具备真实的 Prompt Engineering、Context Engineering、Memory 设计及 Agent Workflow 经验。
  • 熟悉常见 Agent 框架（如 Claude agent SDK、Codex、Opencode 等），并了解 CC 泄露源码。
  • 具备独立搭建后端服务的能力，能使用 AI Coding 工具，但需具备排查框架问题的能力。

• 对 AI Coding 工具的深度认知：

  • 重度使用 Claude Code、Codex 或 Cursor 等工具。
  • 候选人必须清楚 AI 在开发流程中“帮了什么”以及“没帮上什么”，拒绝只会 Vibe Coding（氛围编程）且遇到调试问题就束手无策的人。
  • 目标是实现“不手写任何一行代码就能跑通链路、debug”。

• 思维模式与产品 Sense：

  • 不看重学历（专科/本科/硕士均可），看重实际动手能力。
  • 要求对 LLM 有热情，关注海外前沿模型（Claude/GPT/Gemini），对学术论文持“no-fucking care”态度，更看重落地效果。
  • 候选人需具备产品思维，能从用户视角思考问题，理解技术对用户意味着什么，而非仅关注代码实现。

• 加分项：

  • 有 LLM 相关创业经验。
  • 做过复杂场景的 RAG（检索增强生成），而非简单调用框架。
  • 具备从用户视角拆解算法问题的能力。

• 不适合的人群：

  • 简历堆砌 Agent/RAG/Memory 等术语，但缺乏实际落地细节、问题排查经验和产品体验思考的人。
  • 认为“产品是产品经理的事”，只想闷头写代码，不愿思考技术对用户意义的人。

• 实习待遇与环境：

  • 地点：深圳南山西丽。
  • 时长：≥ 3 个月。
  • 薪资：200-300 元/天。
  • 资源支持：每月提供约 20 亿 Token 的 Codex/CC 额度。
  • 联系方式：[email protected]（需附带简历及 GitHub/项目链接）。

意义与影响

Spiro 的招聘需求反映了当前 AI 应用开发的一个显著趋势：从“工程化封装”向“认知层设计”回归。

首先，它强调了 Memory（记忆）作为 LLM 应用的核心竞争力。在 RAG 逐渐普及的今天，Spiro 提出的“多层记忆架构”和“像人一样理解”的目标，指出了下一代 AI 助手的关键差异点——不仅仅是检索信息，而是建立长期、动态、可溯源的用户认知模型。

其次，它重新定义了 AI 开发者的技能树。团队明确排斥对高级框架的过度依赖，强调对底层原理的理解、对 AI Coding 工具的批判性使用以及独立排查问题的能力。这表明，随着 AI 辅助编程的普及，初级代码编写能力贬值，而架构设计、问题拆解、效果评估以及将技术转化为产品价值的能力变得至关重要。

最后，该职位对“产品 Sense”的高要求，揭示了 AI 应用落地的最终瓶颈在于“体验”而非“技术”。将主观的“被看见感”量化为指标，并要求算法人员直接面对用户反馈进行迭代，体现了 AI 产品从“技术驱动”向“体验驱动”转型的必然路径。对于求职者而言，这意味着单纯的算法工程师角色正在消亡，具备工程能力、产品思维和认知架构设计能力的“全栈 AI 应用工程师”将成为稀缺资源。