岗位职责
- 负责 Agent Memory 核心算法设计与系统落地，覆盖用户记忆、Agent 经验记忆和长任务工作记忆等方向。
- 负责记忆生命周期相关算法，包括记忆识别、写入、结构化、归并、更新、压缩、版本管理、遗忘和冲突消解。
- 研究记忆检索与使用方法，结合语义、时间、实体关系、用户偏好和任务状态等信号，提升召回、排序、多跳检索和时序推理效果。
- 研究记忆注入 Agent 上下文的方法，在效果、上下文长度、响应延迟和模型调用成本之间进行平衡，降低检索噪声和错误记忆传播。
- 从 Agent 执行轨迹、用户反馈和任务结果中提炼经验、策略与技能，提升经验在跨会话、跨任务和动态环境中的复用与迁移能力。
- 建设 Agent Memory 评测体系，区分记忆构建、检索、使用和最终任务效果，覆盖离线评测、在线实验、错误分析和 badcase 闭环。
- 独立完成问题定义、数据构建、算法实现、实验验证、消融分析和线上落地，并与大模型、检索、平台和业务团队协作推进项目。
- 负责算法上线后的效果、稳定性、时延、成本和数据安全治理，包括监控、灰度、回滚和版本迭代。
职位要求
- 计算机、人工智能、机器学习、自然语言处理或相关专业硕士及以上学历，具备扎实的机器学习、深度学习和自然语言处理基础。
- 在以下一个或多个方向具备实际项目经验： ○ 大模型与 LLM Agent； ○ RAG、信息检索或推荐系统； ○ 多轮对话与用户个性化建模； ○ 长上下文与任务状态管理； ○ 持续学习、在线学习或强化学习。
- 熟悉 Embedding、向量检索、混合召回、Reranker 等技术，理解召回、排序、困难负样本、离线评测和线上实验的基本方法。
- 熟练使用 Python 和 PyTorch，能够独立完成数据构建、算法实现、实验设计、消融实验、错误分析和效果评估。
- 理解真实 Agent 中的信息过期、偏好变化、记忆冲突、重复记忆、错误传播、检索噪声、上下文预算和数据隐私等问题。
- 有将算法方案落地到线上系统的经验，能够处理接口设计、数据链路、监控告警、灰度发布、回滚和线上问题定位。
- 具备良好的问题抽象、技术判断和跨团队协作能力，能够在效果、延迟、成本和工程复杂度之间做出合理取舍。 加分项 ● 有 Agent Memory、长期记忆、长期对话、用户画像、个性化服务或 Agent 经验学习相关经验； ● 有记忆写入、更新、压缩、遗忘、冲突消解、数据撤回或版本管理相关实践； ● 有 Embedding、Reranker 或检索模型训练经验，熟悉困难负样本构建、模型微调、蒸馏或强化学习； ● 有图记忆、多跳推理、时序推理、多模态记忆、参数化记忆或持续学习经验； ● 有多智能体协作、共享记忆、记忆路由、权限隔离、记忆安全或隐私保护经验； ● 了解 LongMemEval、LoCoMo、MemoryAgentBench、HaluMem 等长期记忆评测任务，或有自建评测集和线上评测体系的经验； ● 有高质量论文、开源贡献，或能够展示明确效果提升、完整实验分析和线上落地结果的项目成果。
