岗位职责
- 设计并探索面向具身系统的自改进闭环：围绕分拣任务，打通执行、自动评估、失败诊断（抓取失败、碰撞、放置偏差、超时等）、改进方案自动生成、回归验证与合入或回滚决策。
- 探索通用 harness 闭环与 VLA / WAM 的结合：将 VLA 封装为可替换的标准执行接口；探索 VLA 作为执行器、自评估信号源、候选动作提议器和后训练对象四种角色的可行性，并评估延迟预算与控制权交接协议。
- 构建数据飞轮与模型适配：将闭环轨迹自动筛选、标注、入库，用于 VLA / WAM 后训练；建立失败归因机制，判断改进应落在 harness 层还是模型层，并验证多轮迭代的成功率提升。
职位要求
- 计算机、自动化、机器人、人工智能等相关专业在读硕士或博士，优秀本科生亦可
- 熟练使用 Python 与 PyTorch，具备扎实的工程能力，能独立完成实验搭建与代码调试
- 了解具身智能或机器人学习的基本范式（模仿学习、强化学习、VLA 等），熟悉至少一种仿真环境（Isaac Lab、ManiSkill、LIBERO、RoboCasa 等）
- 能快速阅读并复现前沿论文，对 agent harness、自改进系统等方向有持续热情
- 具备良好的沟通与协作能力，能清晰汇报实验设计与结果
- 每周实习 4 天以上，可持续 6 个月以上者优先 加分项 - 有 VLA（π
- OpenVLA、GR00T 等）或 World Action Model 的训练、微调或部署经验 - 有 coding agent 或 agent harness 的开发经验（Claude Agent SDK、OpenHands、SWE-agent 等） - 有真机操作经验（机械臂抓取、视觉伺服、ROS 2），或物流、工业分拣场景经验 - 熟悉 LeRobot 数据格式与大规模机器人数据管线 - 在 CoRL、RSS、ICRA、NeurIPS、ICLR 等会议发表过论文，或有高质量开源项目
