岗位职责
- 面向AI时代软件研发范式变革，洞察并引入业界先进AI Native开发思想、方法与工具链，包括AI Coding、智能体、意图驱动开发等，推动软件研发持续向AI Native全流程研发模式转型；
- 站在公司级中立视角，系统识别团队在全研发流程中应用AI的能力短板，并推动系统性改进，全面提升研发效能与质量；
- 深入关键项目开展AI Native研发全流程实践打样，负责关键模块开发、人机协同流程设计、技术难题攻关，形成端到端贯通、可验证、可度量、可复制的AI Native研发实践范式；
- AI Native研发实践沉淀为课程、案例、意图表达规范、上下文工程方法论、人机协同流程、研发效能度量体系等公司级组织资产，通过赋能提升公司整体AI Native软件开发能力。
职位要求
语言要求: 简体中文,英语 教育背景要求: 本科及以上，计算机相关专业 技能要求:
- 【懂软件】AI Agent软件工程实践 能够围绕企业级Agent应用落地场景，完成Agent系统的软件分层设计、接口定义、技术选型、架构评审和关键模块实现，支撑Agent能力可评估、可追踪、可维护、可持续演进。
- 【懂AI】模型微调、后训练与Agent能力增强 熟悉大模型后训练和Agent能力增强的基本机制，能够围绕业务场景构建训练数据、设计微调策略、建立评测反馈闭环，并通过模型微调、强化学习和持续优化提升Agent任务执行、工具调用、场景适配和自演进能力。
- 【善沉淀/懂赋能】Agent自演进方法论与知识沉淀 能够将Agent自演进项目成果系统提炼为课程、案例、训练模板、数据规范、评测基线、实践指南和方法论资产，形成可复制、可推广的公司级能力包，提升公司Agent工程化与自演进能力。 能力要求:
- 【想清楚】业务理解力 ：深入理解AI时代企业级Agent系统对业务场景适配、任务自动化、知识增强、工具调用、持续优化和可信交付的核心诉求。能够把握大模型后训练、SFT、强化学习、评测反馈闭环、多Agent协同和Agent自演进机制对企业AI应用规模化落地的价值与要求，识别业务场景中适合通过模型微调和Agent能力增强解决的关键问题。
- 【想清楚】系统性思维 ：对Agent自演进技术体系具备全景理解，能够从业务目标、场景数据、模型能力、后训练方法、Agent架构、工具链、评测体系、运行反馈和持续迭代等多层要素之间的相互影响中抓住主要矛盾。能够形成可落地、可评估、可演进、可复制的Agent自演进技术方案
- 【干出来】追求卓越 ：能够深度参与复杂Agent项目实践，围绕场景数据构建、模型微调、SFT/RL训练、评测对齐、工具调用优化、任务执行稳定性提升等关键环节开展方案设计与技术攻关。能够从项目实践中提炼Agent能力增强路径、数据构建方法、训练调优套路、评测反馈机制和典型案例，将个人专家经验转化为团队可复用、组织可推广的课程、规范、模板、案例、工具和方法体系
- 【管自己】学习能力 ：紧跟大模型、Agent、后训练、强化学习、AI工程化等技术演进趋势，主动钻研SFT、RLHF/RLAIF、DPO/GRPO、奖励模型、Agentic Workflow、多Agent协同、自我反馈优化等新技术和新方法。能够快速吸收业界先进实践，持续迭代自身技术认知与专业能力，适应AI时代软件教练的能力要求，并在关键方向上形成技术牵引和实践引领。 知识要求:
- Agent自演进系统架构 1）Agent系统分层架构设计方法，包括任务规划层、工具调用层、记忆管理层、知识增强层、模型能力层、执行反馈层、评测优化层和运行监控层之间的边界与协同关系； 2）Agent工程化设计原则，包括模块化设计、接口设计、工具抽象、状态管理、任务编排、多Agent协同、可观测性、可扩展性、可维护性和可演进架构； 3）企业级Agent落地架构，包括Agent与业务系统、知识库、工作流平台、开发工具链、模型服务和权限安全体系的集成方法。
- 大模型后训练与能力增强 1）大模型后训练基本方法，包括SFT、指令微调、偏好学习、RLHF/RLAIF、DPO、PPO/GRPO、奖励模型、拒绝采样、数据合成、数据清洗和训练数据质量管理； 2）面向Agent能力增强的训练方法，包括任务执行能力提升、工具调用能力增强、多轮交互优化、规划能力优化、领域知识注入和场景适配微调。
- 教练与知识沉淀 1）技术案例设计、实战课程设计、训战课程开发、知识显性化与专家经验萃取方法； 2）Agent自演进项目复盘、数据规范沉淀、训练模板沉淀、评测基线沉淀、实践指南和方法论资产构建方法； 3）工程 专业证书要求: 其他要求:
