全栈维护 × 生态对接 · 企微 / 飞书 / MCP
如果你烦透了「又一个套壳 ChatGPT」——我们大概能聊到一块去。
一起制作真正的智能平台
有意思的不在名词表，在问题怎么被拆开。
我们在做的事
产品长什么样，你可能已经知道一半了
Eeech 是面向团队的 Wiki + 任务协作：列表、看板、活知识库、Git 与通知，以及一整套 嵌在产品里的 AI——不是侧边栏多一个框，而是跟着 Issue、Wiki、代码流一起动。
技术栈是常见的 Web 全栈 + Python 服务 + 数据库；栈本身不酷，酷的是边界怎么画、状态怎么收束、什么时候该让模型闭嘴。
我们相信的两件事
和《技术壁垒》里写的是同一套世界观
① 从「听令」到「适应」
假设每个人都会写提示词，团队只会更分裂。我们更在意：系统能不能从日常操作、配置和事件里读懂语境，在合适的时候自己伸手——而不总是等你先开口。
② 壁垒在领域建模
同样的底座模型，差别在调度策略与工具链怎么设计，让 AI 在更短时间、更少 token 下走出更优决策路径。
The best way to leverage AI is to use the least AI: use it when and only when it's necessary.
这里有什么「创意」值得你来碰
内容是活的
文档刚保存就能被找到，索引质量随时间在后台收敛；不是一次性灌进向量库就完事 —— 我们相信经典机器学习算法和 Agentic 范式是相辅相成的。
不仅仅是缰绳
我们彻底扩充了所谓 Harness Engineering 的概念，不仅仅通过提示词和外部工具，而是在 AI 的工作原理和产品的领域模型上，寻找从 内部 优化 Agent 策略的方向
持续虚席的 Agent
底层不断演进的行为模式分析， 让 AI 适应用户，而不是反过来。
你若对 现代 AI-Agent 的开发范式（工具边界、状态机、流式 UI、可观测性、和 RAG 怎么咬合）有自己的看法，甚至对当前流行范式有独特的批评——我们会很想听。
你会做什么
Tab 切换看清三块分工
- →跟 Issue / PR：修 bug、补功能、写测试。
- →参与助手技能与全栈需求迭代。
- →在团队带领下摸熟架构边界——知道哪里能快、哪里不能浪。
我们在找谁
同频比简历上的框架列表重要
底子
- 熟悉 TypeScript 与 Python，会用 Git；网络与异步心里有数。
- 对 LLM 应用有过真正的探索——玩过、翻过车、想过为什么翻车，都算。
同频信号
- 会用 vibe coding 提速，但知道什么时候该信 AI、什么时候该自己动手。
- 关心 Agent 的 harness：谁在约束模型、谁承担失败、用户最终看到什么。
- 对 SKILL / MCP / 各类 Agent 模板有自己的判断：哪里优雅、哪里偷懒、哪里在企业里会翻车。
- 对函数式风格、类型系统、数学建模有兴趣或基础——好模型往往自带优雅，不靠补丁堆出来。
实习怎么排
节奏说清楚，避免互相耽误
- 时间每月 21 天；推荐到场，远程可商量。
- 周期建议不少于 6 个月，能跟完一个功能从想法到合并。
- 考核可合并的 PR、文档、小段设计说明；看重可读性与边界感，不卷堆量。