快手大模型应用算法实习生（Agent方向）

参与前沿大模型算法的研发与落地应用，方向包括但不限于：智能 Agent、Deep Research、多模态大模型、检索增强生成 (RAG) 等； 紧跟领域最新技术动态，探索创新算法方法，并积极推动科研成果的产出； 参与技术方案讨论、算法设计与实现、模型训练与优化等研发工作，保证项目进度和研发质量； 持续学习和掌握最新的大模型相关技术，并应用于实际产品和项目中，解决实际问题。

本课题研究如何优化向量检索技术以增强大型语言模型能力。 主要方向包括： 1、优化高维向量索引结构，实现千亿级多模态数据的高效检索； 2、设计多Agent场景下的智能检索增强生成(Agentic RAG)策略，探索检索结果与大模型上下文的最优融合方法； 3、研究基于向量检索优化大模型推理过程中的KV Cache机制，为智能体应用的效果优化和大模型推理提供关键技术支持。

我们致力于运用大模型与Agent技术构建智能化的反作弊系统，解决人工诊断效率低、规则迭代周期长、泛化能力弱等核心问题。作为实习生，你将参与以下方向的研发工作： 1、研究基于大模型的智能Agent技术，提升对作弊行为的自动化识别与风险研判能力； 2、开发多模态内容理解与推理方法，构建具备可解释性的风险分析框架； 3、探索对抗样本防御与策略挖掘技术，增强模型的鲁棒性与泛化能力； 4、优化轻量化部署方案，实现高效且实时的风险检测与决策； 5、推动Agent与风控系统的集成，构建自动化的人机协同机制。 你将有机会参与前沿AI技术在工业场景中的深度应用，与资深研发团队共同攻克真实业务中的关键技术挑战。我们鼓励创新思维，并提供充足的资源支持你的研究与实践落地。

1、 从事语言大模型基础技术建设的研发与探索工作； 2、从事大模型业务应用相关的技术研发工作。