百度代码智能体研发实习生（J95995）
任职要求
-计算机或人工智能相关专业本科及以上学历（在读即可） -熟悉 Python 编程，掌握 PyTorch 等深度学习框架 -具备 LLM 相关基础知识，对预…
工作职责
-参与大语言模型（LLM）的相关研究与实验，包括预训练、微调、后训练（如SFT、GRPO等）、Prompt工程 -支持 AI Coding Agent 系统的研发与优化，探索 LLM 在软件工程和智能编程中的应用 -协助完成模型效果评估、Benchmark测试与实验数据分析，推动模型性能改进 -与团队成员紧密协作，解决研发与实验过程中遇到的技术问题
1.负责 Code Agent 大模型的全流程后训练，包括 Mid-Training、SFT、RL 等阶段的设计、实现与迭代，持续突破模型的代码能力边界。 2.构建并优化各训练阶段所需的高质量数据集，涵盖数据清洗、合成、增强与质量评估，为模型优化提供数据底座。 3.深入分析模型行为与输出分布，诊断典型失败模式，通过数据与训练策略的针对性调整，提升代码生成的正确性、可读性与安全性。 4.跟踪并探索前沿 Code Agent 技术，推动研究成果的工程化落地。 5.与产品和工程团队紧密协作，将后训练能力集成到智能编程助理、自动化代码生成系统及任务执行 Agent 等产品中。
1、 研究电商领域低代码CodingAgent全链路质量校验方法（涵盖代码/测试生成、依赖安装及构建运行），提升智能体产出代码的正确性与可维护性； 2、 设计低代码质量评测体系，结合静态分析、端到端测试及LLM-as-a-Judge等手段，构建可复用的自动化校验框架； 3、 研发适配智能体平台的校验Harness、任务回放与失败归因能力，实现从需求理解到验证报告的闭环度量与落地； 4、 探索基于多Agent协同的代码审查、缺陷定位与自动修复策略，提升智能体在复杂仓库、多语言与多框架场景下的泛化能力； 5、 参与课题验证与业务落地，沉淀相关技术文档、专利或高质量学术论文，推动成果在京东研发效能及运营场景中的应用。
1、研究与算法实现： （1）参与图数据库代码知识图谱的构建与优化，借鉴最新的 RepoAudit 等研究成果。 （2）设计并实现基于强化学习（RL）的探索与反馈循环，包括智能体、动作空间、奖励机制。 （3）实验和优化多种RL策略（如PPO、DPO、GRPO、DAPO、GSPO）在真实图数据库测试场景的应用。 2、系统开发与实验： （1）构建可编译运行的图数据库测试平台，负责自动化测试流程（提出预言机→生成用例→执行验证→反馈奖励）的实现。 （2）针对开源图数据库（NeuG、Neo4j、RedisGraph、NebulaGraph等），验证并提交新型逻辑错误。 3、论文与成果输出： （1）参与撰写技术报告和学术论文，总结测试预言机生成的新方法与实验结果。 （2）协助开源端到端研究原型及技术文档的完善与维护。
1、负责TRAE整体Agent能力的效果优化与架构设计：设计、迭代TRAE的多智能体（Agent）框架与调度策略（如任务分解、工具编排、子Agent协作等），在真实开发场景下持续提升端到端问题解决能力与鲁棒性； 2、负责多模型适配与策略调优：面向代码智能场景，完成模型适配、Prompt体系设计、推理策略与Pipeline设计，根据不同任务特征选择、组合和调度模型，提升整体编程成功率与用户体验； 3、负责TRAE的Context Engineering体系建设：设计和落地代码智能场景下的上下文工程方案，包括代码仓库、文档、Issue/工单、日志等多源信息的召回、排序、压缩与注入策略，构建高质量上下文（Context），在复杂长链路任务中持续优化「用对信息」； 4、负责Agent效果分析：搭建并完善TRAE端到端核心效果指标定义，对策略/模型/框架改动进行实验设计、结果分析与归因，驱动持续迭代； 5、持续跟踪LLM、Agentic Workflow、Tool Use、Code Agent等方向的前沿进展，结合TRAE业务特点进行技术调研与方案创新，在关键方向上形成方法论沉淀，产出专利、论文或对内技术影响力。