高德地图AI Agent方向算法实习生（生成式推荐）
任职要求
1.计算机、人工智能、软件工程、数学或相关专业在读硕士/博士； 2.扎实的编程基础，熟练使用Python，熟悉PyTorch/TensorFlow等深度学习框架； 3.了解机器学习、深度学习基础知识，对推荐系统、自然语言处理、大模型或AI Agent有浓厚兴趣； 4.具备良好的逻辑思维与动手能力，能独立完成小规模算法实验与数据分析； 5.学习能力强，积极主动…
工作职责
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；
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。
● 参与高德 AI Agent 在通识搜索场景下的 RAG 系统建设与效果优化，围绕知识组织与预处理、检索策略框架、Context 注入质量控制、检索词改写、检索结果 rerank 等核心环节开展研发。 ● 建设以 LLM 推理为中心 的评估体系，从 Information Sufficiency、Reasoning Supportability、Noise Resistance、Output Faithfulness 等维度分析并优化通识搜索效果。 ● 结合离线评测与实验分析，定位检索、推理与生成链路中的关键问题，推动算法迭代和效果持续提升。
设计并建设 Agent Context 基础体系：负责定义面向智能体的 Context 基本类型体系，包括但不限于时空（Spatio-temporal）、用户画像（User Profile）、设备/系统（Device & System）、环境（Environmental）、任务/意图（Task & Intent）、社交关系（Social Graph）、世界知识（World Knowledge）等，建立统一的数据抽象、语义规范与生命周期管理机制，为多场景 Agent 推理提供标准化上下文基础。 搭建可扩展的 Context Provider 接入框架：负责设计 Context Store 的标准化 Provider 接口与接入机制，使不同来源的 Context 能够以插件化、可扩展的方式接入系统。支持新的用户信号、外部数据源、系统状态等快速注册成为 Provider，而无需频繁改动核心框架，提升上下文能力的扩展效率与系统演进能力。 构建实时 Context 组装与 Prompt 注入能力：负责在 Agent 推理前，根据当前任务及 Agent 的 Context 需求声明，动态拉取、筛选、组装最相关的 Context，并完成面向不同 Agent 的 Prompt 注入。需要兼顾上下文时效性、模板化注入、自定义格式适配、Token Budget 控制及超限场景下的优先级裁剪策略，持续优化推理质量、响应效率与成本表现。
1、深入研究并提升大模型对代码语义、工程级上下文及复杂依赖关系的理解能力，推动代码生成和理解在复杂工程环境中的落地； 2、设计并实现面向代码场景的模型训练与推理方案，包括领域特定预训练、上下文建模、推理策略优化等； 3、提升模型在跨文件、跨模块、跨仓库场景下的分析与推理能力，支持超大规模代码库（几十万行及以上）的理解与分析； 4、结合端智能场景，优化端云协同的 AI 系统架构，在模型能力、时延、带宽、功耗与稳定性之间取得平衡，并最终落地到用户行为分析与本地决策； 5、建立面向代码智能与端智能场景的评测体系，持续定位并突破当前大模型在工程级与端侧落地中的能力瓶颈。