长鑫存储系统应用工程代表| SystemsSystem PEL(J16187)

1. 负责应用系统（包括但不限于财务、采购、人事、行政、IT基础平台）的服务支持，包含但不限于用户咨询、工单记录、权限配置、数据导入/提取、信息维护、流程维护、问题定位/查询等； 2. 和团队其他成员一起，为应用系统的最终用户提供多渠道（电话，企业微信，现场等）的支持服务； 3. 参与应用项目组的系统培训、运营推广等活动，参与应用系统的功能测试和体验测试； 4. 结合应用项目组的培训和系统功能测试进而编写系统操作手册，并根据系统运营迭代持续更新维护； 5. 所有服务支持事项工单记录，并按周统计分析，找出频繁出现或具备代表性的运营问题，跟应用项目组进行沟通反馈； 6. 结合日常运营、工单记录和系统运营迭代进行知识库、FAQ维护更新；

1. 提升智能体（模型）在基础智能、专业生产力、自我演进、协同组织等不通维度的智能 2. 搭建基于多智能体的技术产品，实现分布式智能体部署和训练框架，参与开源社区建设 3. 框架和模型配合产品，满足用户真实需求，设计并实现多智能体协作系统

1. 负责相机的软件开发，调试和优化（GUI/应用软件/通信）； 2. 负责相机的软件框架的开发和业务落地； 3. 负责相机的系统性能、内存、稳定性等优化工作； 4. 参与软件模块的代码评审，确保代码质量； 5. 追踪新技术发展趋势，为产品的持续改进和升级提供建议。

岗位课题： 【用户理解与因果推理】 应用大模型的逻辑与因果推理能力，深度挖掘用户偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 【生成式召回与排序新范式】 研究并实践基于生成式模型（Generative Models）的推荐框架，探索从“判别式打分”到“生成式候选”的技术变革，重构推荐系统的召回与排序链路。 【可解释与对话式推荐系统】 利用大模型的自然语言交互与生成能力，构建支持多轮对话、主动询问和理由解释的推荐系统，提升用户信任度与交互体验。 【大模型推荐系统下的大模型优化】 专注于大模型在超大规模、高并发推荐场景下的挑战，驱动前沿算法的商业化落地。 【用户行为序列的模态融合与表征】 将海量、异构的用户行为序列（点击、浏览、转化）视为一种独特的“行为模态”，探索其与文本、图像等多模态信息的融合方法，为大模型注入更深层次的用户理解力。 课题项目背景： 当前，大模型已经在许多领域成功落地并产生了深远影响。对于推荐而言，我们认为大模型技术在深入了解用户意图乃至重塑推荐系统等诸多方面均潜藏巨大的价值。因此，我们希望能够充分利用大模型能力与知识，解决当前推荐系统的冷启动、缺乏解释性与泛化性等问题，打造下一代推荐系统，并将应用于以下方向： 1、利用大模型技术全面升级淘宝推荐的召排能力并在主场景落地取得收益； 2、结合大模型技术，探索全新的淘宝推荐交互方式，为推荐场景找到新的方向。 成长资源 1、实习同学将会与工业界经验丰富的师兄师姐合作，充分了解大规模推荐系统的运行方式，努力做出能够真实影响海量用户的工作； 2、鼓励发挥个人的知识与才能，在大模型与推荐系统相结合的蓝海领域大胆探索，提升团队与个人的影响力，做出引领业内方向的代表作； 3、充分保障探索所需的离在线资源，并给予充足的时间与空间。 岗位职责： 在这里，你将有机会接触海量用户行为数据，并通过前沿算法为淘宝用户提供个性化购物体验。同时，可以与有着丰富工业界经验的师兄师姐一起探索大模型技术在推荐系统中的应用。通过这段实习经验，你不仅能够深入了解国内top级应用的推荐场景，更能够有机会在大模型技术红利背景下，充分发挥自己的聪明才智重新定义与塑造下一代推荐系统，打造团队与个人的影响力。