岗位职责
- 负责健康 Agent 的核心能力研发，构建能规划、调用工具、检索证据、执行多步任务并在失败后自我恢复的智能体，覆盖健康咨询、报告解读、用药管理、慢病与生活方式管理等长周期任务；
- 负责 Agentic RL 与长程优化，用 GRPO、PPO、RLVR、过程奖励模型和 Self-play 训练多轮长程策略，解决稀疏奖励、信用分配、长上下文和多目标奖励融合问题，并系统性防御 Reward Hacking；
- 主导递归自我改进（RSI）闭环：让系统自动挖掘失败案例、生成训练数据与环境、评测修正并迭代 Prompt、Skill 和工具，在医学安全关口和人工审核下实现从“人工调参”到“系统自进化”；
- 搭建可验证的训练与评测环境，包括用户模拟器、工具沙箱、医疗服务接口模拟和可复现任务集，为 RL 和自我改进提供可靠信号；
- 设计长期记忆的写入、整合与遗忘机制，让 Agent 在跨会话、跨月的陪伴中持续理解用户，并把真实反馈转化为偏好与评测信号；
- 建设健康 Agent 前沿评测，衡量任务完成、证据可追溯、医疗安全、多次运行稳定性（pass^k）和单位成功成本，并与医学、产品、工程团队一起推动研究落地。
职位要求
- 计算机、人工智能、数学等相关专业硕士及以上学历，对大模型和 Agent 有深入理解；
- 在 Agentic RL、LLM 后训练（SFT、DPO、RLHF、GRPO）、Agent 系统（规划、工具调用、RAG、记忆）、自动化评测或环境构建中至少一个方向有扎实一线经验；
- 熟悉 PyTorch 和大规模分布式训练，工程能力扎实；
- 能独立提出研究假设、设计实验、搭建评测，并从坏例中快速定位问题；
- 对健康场景有兴趣，重视安全、隐私和真实用户价值；
- 有以下经历者优先：在 NeurIPS、ICML、ICLR、ACL 等会议发表过 Agent、强化学习、自我改进或评测相关论文，或有高影响力开源项目；做过自博弈、自动课程、自动环境生成、Auto Research 等 RSI 相关研究；有 SWE-bench、τ-bench、WebArena 等 Agent 基准或 RL 环境建设经验；有医疗或其他高风险领域的大模型落地经验。
