岗位职责
- 负责规划与落地端到端Agent解决方案，完成任务拆解、执行链路设计、工具编排与多Agent协作，对产品效果、稳定性与体验整体负责；同时聚焦Agent核心能力升级，围绕工具调用精准度、长期记忆有效性和上下文理解一致性持续优化，并持续跟踪业界先进的大模型应用框架与工程实践，推动Agent开发框架和底层基础设施的演进，支撑多模型、多工具的规模化应用；
- 负责搭建与完善大模型训练与评估流水线，组织并推进基于SFT、RLHF、DPO等范式的训练实验，沉淀高质量训练数据、评测用例和可复用的训练/评估框架，驱动AI搜索效果的持续提升；
- 深入探索思维链、多步推理等LLM推理技术以及RAG/搜索算法，提升对复杂Query的深度理解、跨Item信息融合能力和长文本检索生成质量；
- 持续跟进行业前沿的大模型与Agent技术趋势，将前沿方法转化为可验证实验与可落地能力，并在团队内推动最佳实践建设和经验沉淀。
职位要求
- 具备系统性理解和主导AI Agent核心能力升级的能力，对工具调用、长期记忆、上下文管理等关键问题有深入思考与实践经验，有将相关能力从原型推向生产的成功案例；
- 具备扎实的大模型训练与调优经验，熟练掌握SFT、RLHF、DPO等训练范式，能独立完成数据构建、训练方案设计与效果分析，参与或主导过Agent场景下的模型训练与上线；
- 对主流Agent架构及其算法原理有深入理解，如ReAct、Plan&Execute、Reflection、Multi-Agent等，具备在真实业务中选型、落地与优化的实践经历；
- 精通Python，具备在Linux环境下开发和维护生产级服务的经验，熟悉至少一种主流大模型应用框架（如LangGraph、LangChain、LlamaIndex），能够快速搭建和迭代Agent/RAG类应用；
- 对大模型与Agent生态有全面认知，熟悉常见的LLM实施模式、提示工程方法、评估与检索框架，理解Multi-Agent、Context Engineering/Management、ReAct/PlanAct/CodeAct等架构思路，并了解MCP、Skill等相关交互协议，在LLM推理（如思维链、多步推理）与RAG/搜索算法方面有实际项目经验，能够利用相关技术支撑复杂搜索场景中的深层Query理解、跨Item信息融合和高质量长文本生成；
- 具备良好的业务理解能力与抽象建模能力，善于将业务问题转化为可落地的技术方案；同时具备良好的沟通协作、跨团队推动和结果导向意识。
