商汤云端智能agent开发工程师

职位职责（Responsibilities） 1.主导云端智能 Agent 的系统架构设计与核心模块开发，涵盖对话状态管理、意图推理、上下文建模、响应生成、工具调用（Tool Calling）及多模态决策逻辑。 2.设计并实现高可用、低延迟、可扩展的微服务架构，支撑百万级 QPS 的并发对话请求，保障系统稳定性与容灾能力。 推动大语言模型（LLM）在云端 Agent 中的深度集成，包括 Prompt 工程优化、上下文压缩、推理加速、缓存策略、Agent 编排框架等关键技术落地。 3.深入分析系统性能瓶颈，优化从请求接入、上下文检索、模型推理到响应生成的全链路延迟，持续提升 TTFB（首字节时间）与用户体验。 探索基于 RAG、Function Calling、Agent 记忆机制、个性化建模等前沿技术的工程实现路径，推动创新功能产品化。 4.与算法、产品、运维团队紧密协作，完成从技术预研、灰度发布到全量上线的全周期交付。

岗位职责： 利用大语言模型及相关AI技术，赋能软件工程效能，聚焦于工具设计与平台开发/看护； 开发和维护基于AI/大模型的工程工具，如单元测试智能生成、代码智能评审等，提高代码质量与研发效率； 推动软件开发工作流的智能化升级，实现需求分析、代码生成、测试、评审等环节的自动化和智能辅助； 负责AI应用平台的架构设计与核心模块开发，保障平台的高可用、易扩展和安全性； 关注行业最新的大模型及AI技术发展趋势，并评估引入前沿技术于工程效率提升实践中； 与前端、后端、测试等多团队协作，将AI能力无缝集成至现有系统和研发流程；

我们正在寻找对大语言模型（LLM）的应用落地、效果调优和系统效能提升充满热情的工程师。您将加入我们的核心研发团队，主要负责将先进的 LLM 技术转化为实际的业务价值，特别是在指令微调（SFT）、智能体（AI Agent）的设计与部署，以及应用基础设施（Infra）的优化。我们的目标是打造高效、可靠、智能的 LLM 应用解决方案，加速模型在人形机器人、自动驾驶、多模态等前沿领域的落地。 1. LLM 微调与应用落地：负责设计并执行 LLM 的指令微调（SFT）和对齐（如 RLHF/DPO）实验，以提升模型在特定应用场景（如代码生成、复杂推理、对话）的表现。主导模型效果的评估体系搭建和优化，确保模型输出的准确性、安全性和一致性。 2. 云端训练框架与效率优化：主导 LLM 微调（SFT/对齐）流程在云端环境下的效率优化，包括数据加载、多机通信、资源调度、框架稳定性等方面，确保 SFT 流程的高效、稳定和低成本运行。 3. 前沿应用技术追踪：紧密追踪 LLM 在 Agent 框架、长上下文处理、多模态交互等应用层面的最新研究与工程实践，并将其快速引入到产品线。 4. AI Agent 研发与部署：探索并实践基于 LLM 的 AI Agent（智能体） 框架，包括工具调用（Tool Use/Function Calling）、规划（Planning）、记忆（Memory）等核心模块的设计与实现。将开发的 Agent 系统集成到实际产品或业务流程中，提升自动化和智能决策能力。 5. 跨团队协作：与算法、数据和产品团队紧密合作，将模型优化成果快速产品化，并收集应用层的反馈来指导下一轮模型迭代。

我们正在寻找对大语言模型（LLM）的应用落地、效果调优和系统效能提升充满热情的工程师。您将加入我们的核心研发团队，主要负责将先进的 LLM 技术转化为实际的业务价值，特别是在指令微调（SFT）、智能体（AI Agent）的设计与部署，以及应用基础设施（Infra）的优化。我们的目标是打造高效、可靠、智能的 LLM 应用解决方案，加速模型在人形机器人、自动驾驶、多模态等前沿领域的落地。 1. LLM 微调与应用落地：负责设计并执行 LLM 的指令微调（SFT）和对齐（如 RLHF/DPO）实验，以提升模型在特定应用场景（如代码生成、复杂推理、对话）的表现。主导模型效果的评估体系搭建和优化，确保模型输出的准确性、安全性和一致性。 2. 云端训练框架与效率优化：主导 LLM 微调（SFT/对齐）流程在云端环境下的效率优化，包括数据加载、多机通信、资源调度、框架稳定性等方面，确保 SFT 流程的高效、稳定和低成本运行。 3. 前沿应用技术追踪：紧密追踪 LLM 在 Agent 框架、长上下文处理、多模态交互等应用层面的最新研究与工程实践，并将其快速引入到产品线。 4. AI Agent 研发与部署：探索并实践基于 LLM 的 AI Agent（智能体） 框架，包括工具调用（Tool Use/Function Calling）、规划（Planning）、记忆（Memory）等核心模块的设计与实现。将开发的 Agent 系统集成到实际产品或业务流程中，提升自动化和智能决策能力。 5. 跨团队协作：与算法、数据和产品团队紧密合作，将模型优化成果快速产品化，并收集应用层的反馈来指导下一轮模型迭代。