小红书AI Agent算法实习生（企业智能）
任职要求
1、本科及以上在读，计算机、人工智能、自然语言处理、机器学习、数据科学、数学、统计学等相关专业优先。 2、对大模型、AI Agent、RAG、Tool Use、Prompt Engineering、模型评测等方向有强兴趣。 3、具备较好的 Python 编程能力，熟悉常见机器学习 / 深度学习 / NLP 基础，有相关项目经验优先。 4、有大模型应用开发或算法实验经验者优先，例如知识库问答、Agent、数据分析助手、自动化工作流、SQL 生成、信息抽取等。 5、具备较强的学习能力、问题拆解能力和实验意识，能够通过数据和 badcase 分析推动效果优化。 6、沟通表达清晰，有责任心，能与产品、研发、数据、业务同学协作推进项目。 7、每周可实习 4 天及以上，连续实习 3 个月以上；可实习 6 个月以上优先。 【加分项】 有 RAG、检索排序、知识图谱、Prompt 优…
工作职责
企业智能部Intelligence Lab是小红书面向 AI-native 组织建设的创新团队，聚焦企业级 AI Agent、AI-native 管理产品、智能工作流与组织智能方向。我们希望通过大模型和 Agent 技术，帮助公司提升决策、管理和协同效率，让工作回归创造。 本岗位面向 AI Agent 算法方向，适合对大模型应用、Agent、RAG、工具调用、模型评测、上下文工程等方向有强兴趣，并希望在真实业务场景中做算法落地的同学。 1、参与企业级 AI Agent 能力建设，包括任务拆解、工具调用、上下文管理、结果校验、多轮交互、记忆机制等模块的实验和优化。 2、参与小红书内部 AI-native 产品和 Agent 场景落地，覆盖 OKR、经营分析、知识协同、数据分析、业务诊断、工作流自动化等方向。 3、参与大模型应用算法实验，包括 Prompt 优化、RAG 优化、工具选择、Agentic Workflow、多 Agent 协作等。 4、参与 Agent 评测体系建设，包括构建评测集、设计评测指标、分析 badcase、总结优化策略，并推动效果迭代。 5、参与大模型应用中的 Prompt / RAG / Tool Use / 多 Agent 协作 / 记忆与状态管理等算法模块建设，并推动在产品中落地。
1. 参与优化小爱同学导航出行与本地生活服务能力，为任务完成率与响应速度负责。 2. 探索Agent前沿方案，通过Harness优化、评估器优化、Agentic模型精调等方式，持续迭代Agent效果； 3. 推动Agent驱动模型的持续优化，探索数据合成、预训练及后训练（SFT / RL）等技术路径；
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动 Seed 团队成立于 2023 年，致力于寻找通用智能的新方法，追求智能上限。团队研究方向涵盖 LLM、GenMedia、AI for Science、机器人等，在中国、新加坡、美国等地设有实验室和岗位。 Seed 团队在 AI 领域拥有长期愿景与决心，坚持深耕基础，期望成为世界一流的 AI 研究团队，为科技和社会发展作出贡献。目前团队已推出业界领先的通用大模型以及前沿的多模态能力，支持豆包、扣子、即梦等超过 50 个应用场景。 1、AI搜索总结Agent研发： 1）设计并实现基于LLM的搜索总结Agent，提升搜索结果的理解、推理与结构化总结能力； 2）探索LLM Reasoning技术（如思维链、多步推理），优化复杂查询的Deep Research模式，实现长文本理解与跨文档信息融合； 3）构建端到端系统，涵盖意图识别、知识检索、结果生成与偏好对齐，提升用户体验； 2、模型优化及应用： 1）通过指令微调（Instruction Tuning）、偏好对齐（RLHF/DPO）等技术优化模型在搜索场景的适应性； 2）探索多模态信息（文本、代码、结构化数据）融合的搜索与生成技术； 3）研究未来生活中的创新应用场景（如个性化知识助手、自动化研究工具），探索技术边界。
你将深度参与以下模块的设计、验证和优化： [1] 感知：让 Agent 理解复杂多变的用户界面，将海量的、异构的、实时的场景信息高效可靠地转化为结构化的 item； [2] 记忆：让 Agent 拥有仿生的长短期记忆，通过多路召回等策略，组合聊天历史、用户画像和召回结果，为Agent 的每一次决策提供最关键的上下文； [3] 决策： 构建自主的 Agentic Workflows，让 Agent 学会在恰当的时机，以恰当的方式与用户交互。 此外，你还需要参与建立一套自动化的、数据驱动的评测框架，用于客观、全面地衡量Agent在真实世界任务中的表现，驱动工程策略的快速迭。
1.参与高德地图首页“即时推荐”系统的算法研发，探索大语言模型（LLM/MLLM）与推荐系统的融合创新； 2.协助构建面向LBS场景的AI Agent推荐原型，包括用户意图理解、个性化内容生成、检索增强（RAG）、多步推理等模块； 3.参与生成式推荐相关技术实验，如语义ID建模、指令微调（Instruction Tuning）、偏好对齐（DPO/RLHF）、自动化数据合成等； 4.在指导下，能够完成算法调研、实验设计、代码实现与效果分析，推动技术方案在真实业务场景中验证与落地；