岗位职责
- 行为风控Agent体系构建 深入理解行为风控业务场景（账号风险、交易风险、营销反作弊、内容安全等），梳理行为风控系统的核心链路与决策逻辑，主导覆盖风险感知、研判、处置全流程的agent建设。根据业务特点完成Agent架构设计，包括任务拆解与编排、多Agent协作机制、人机协同交互范式。
- Harness Engineering 设计Agent的可观测性体系（日志、追踪、监控），确保Agent行为可审计、可回溯、可优化。构建Agent评测体系和约束机制，定义评估指标（任务完成率、准确率、响应时间等），建立持续迭代闭环。
- Memory设计 设计Agent的记忆系统，包括短期记忆（会话上下文）、长期记忆（知识沉淀与经验积累）、工作记忆（任务执行状态）。探索记忆检索、更新、遗忘机制，平衡记忆容量与检索效率。结合行为风控业务特点，设计领域知识的结构化存储与高效召回方案。
- Skill建设 构建Agent的技能体系，将行为风控领域的专家经验（规则策略、分析模式、处置流程）沉淀为可复用的Skill。设计Skill的注册、发现、组合、调度机制，支持动态编排与热更新。建立Skill的质量评估与迭代优化流程。
- 大模型效果优化 针对大模型在Agent运行过程中存在的幻觉、推理偏差、指令遵循不足等问题，探索定制优化方案。包括但不限于：Prompt Engineering优化、SFT微调、RLHF/Agentic RL对齐训练、推理时干预（Guardrails）等。结合行为风控业务数据，构建高质量训练与评测数据集。
职位要求
学历要求 硕士及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业。 经验要求 ● 有实际的Agent设计和落地经验，完整参与过Agent系统的架构设计、开发、上线与迭代。 ● 有行为风控或安全风控业务经验，理解风控业务的核心挑战与技术要求。 技术能力 ● 熟悉Agentic RL算法（如GRPO、PPO、RLHF等），能够通过强化学习推动Agent策略优化。 ● 深入理解大模型技术栈：Transformer架构、Prompt Engineering、RAG、Function Calling、Multi-Agent协作框架。 ● 熟悉主流Agent框架（LangChain、AutoGPT、MetaGPT、CrewAI等），了解其设计思想与适用场景。 ● 扎实的机器学习/深度学习基础，熟悉PyTorch等主流框架。 软素质 ● 具备系统思维，能从业务全局视角设计Agent方案，而非孤立优化单点。 ● 有较强的实验设计与数据分析能力，能通过数据驱动Agent迭代。 ● 良好的跨团队协作与沟通能力，能推动复杂项目落地。
