职位概述
我们正在构建能够自我演化的 Agent 系统——不依赖手工规则堆砌，而是让 Agent 从真实任务中持续学习、自动评估自身表现、并主动调整行为策略。如果你对「Agent 如何变得更聪明」有发自内心的好奇，并且想把这种好奇心转化为真实运转的系统，这个岗位是为你准备的。
核心方向
Agent 自我进化
- 设计并实现 Agent 的闭环自优化机制：从执行轨迹采集、失败归因，到策略自动更新的完整流水线
- 探索由执行反馈驱动的 Context 与tool & skill memory recall策略的在线/离线迭代机制
- 研究多步推理与长链路任务中的能力退化问题，并形成系统性解决方案
评估基础设施
- 构建覆盖单步能力、多步规划、工具使用与鲁棒性的 Agent 评估框架
- 开发支持快速迭代的自动化评估流水线；建立可量化的能力基线与回归告警机制
- 识别并解决指标失真、数据泄露、分布偏移等问题，确保评估结论持续可信
数据与工具的检索与排序
- 负责 Agent 执行过程中外部知识、工具与 API 的检索策略设计和排序模型优化
- 研究意图理解与上下文感知的工具选择机制，降低无效调用率，提升任务完成率
- 构建高质量工具与数据语料库；设计标注、清洗与持续更新的工作流
我们最看重的特质
- 思维方式：你的默认模式是质疑假设、重构问题，而不是沿用现成答案。
- 好奇心：你对 AI 和前沿技术保持强烈的探索欲——并且总想亲手试一试。
- 执行力：你会立刻把想法付诸行动；你用 Demo 和上线的产出说话，而不是 PPT。
- AI Native：AI 是你工作、学习和创造的默认方式，而不是偶尔拿起来用的工具。
- 长期主义：你相信技术可以改变世界，并愿意在真正重要的事情上投入时间。
背景要求
先说一句：如果你真正具备上述特质，以下内容都只是加分项。
加分项
- 在 Agent 系统、RAG、工具学习或 LLM 后训练方向有研究或工程经验
- 有检索、排序或推荐系统经验，熟悉召回 → 粗排 → 精排的完整链路
- 参加过 Hackathon、ACM/ICPC 或类似竞赛，并真正享受高强度的动手挑战
- 持续参与开源项目，或在真实项目中有长期负责、持续交付的记录
- 在 AI 或计算机科学领域有论文发表或研究经历
基本背景
- 计算机科学、软件工程、通信、人工智能或相关专业背景
- 计算机基础扎实，能够独立解决工程与算法问题
我们团队的大多数成员来自国内一线科技公司，或经过严格技术训练的高校（985/211、QS 前列或同等水平）。但我们真正在意的，是真实能力和有据可查的产出，而不是标签。