百度Agent策略算法实习生（J98721）
任职要求
1、计算机、AI 等相关专业，对大模型、智能体方向有浓厚兴趣 2、熟悉 Python，熟练掌握 PyTorch/PaddlePaddle 等至少一种深度学习框架 3、逻辑思维清晰，学习能力强，有良好的沟通与问题解决能力…
工作职责
1、负责大模型智能体（Agent）核心策略研发、迭代与落地 2、参与 Agent 模型训练、评估及 DPO/GRPO 等后训练技术落地 3、参与搭建具备创作感知、文案创作、多能力调度的创作智能体（Creative Agent），支持复杂内容生产流的逻辑编排 4、跟踪并复现 Agent 领域前沿技术（如：Long-context RAG、多模态理解与对齐、DeepResearch 调研框架、多 Agent 协同体系），并在场景中验证其业务价值
-参与大模型应用低代码/无代码开发平台的算法设计与优化，提升开发者在平台上的体验与应用效率 -研究并应用前沿的深度学习和机器学习算法，推动大模型在实际业务场景中的应用落地，重点关注RAG、Agent与代码生成等方向 -深入理解数据飞轮、大模型训练、代码解释器等原理及常用方法并在工作中优化框架 -与产品、工程团队紧密合作，理解业务需求，制定相应的算法解决方案 -持续优化算法的效率和效果，确保平台的高性能和高可用性
1、出价模型化：搭建广告投放模拟环境，构造智能出价agent算法，开发并评估不同技术选型（MPC、强化学习、生成式）的最佳方案，迭代业界先进经验沉淀paper； 2、端到端延迟建模：电商广告长周期归因场景下，针对回流延迟建设端到端预估模型，包括特殊应用场景大促活动下的时间序列建模，提升广告投放效率； 3、冷启动：研究和优化广告召回、出价算法、排序机制等算法模块，解决客户投放冷启问题，围绕生成式推荐、跨域数据利用、多模态信息进行深度优化探索。
业务及团队介绍：POI（Point of Interest）,即“兴趣点”，是地理信息系统中的重要概念，表示物理世界中的一处地方，可以是一家美食店、一个小区、一栋大楼等。团队通过人工采集、司乘反馈、用户上报、图像等多模态数据，对POI数据进行更新。随着大模型能力的提升，大模型可以更快、更准确的发现POI相关的变化，并辅助人工/自动化 的对数据进行更新。借助大模型能力和完善的数据生态，实时发现物理时间的变化，帮助用户更快更准的找到目的地。
Agent 优化策略验证： 参与探索基于大模型 Agent 的编译优化闭环系统，尝试利用 LLM 进行自动化的代码分析、性能瓶颈定位和调优策略生成（Auto-Tuning）。 前沿模型结构分析： 深入分析当前主流及前沿的深度学习模型结构（特别是各类 Transformer 变体，以及包含 FlashAttention、Linear Attention 等特性的模型），提取其计算和访存特征，为底层算子优化提供指导。 高性能算子开发： 结合理论分析与 LLM 代码生成能力，参与编写和优化针对公司 AI 芯片的高性能算子，挑战极致的执行效率。 工具链生态沉淀： 协助开发基于 LLM 的内部辅助工具，优化编译团队的研发工作流。