商汤大装置-大模型算法应用实习生
任职要求
1. 拥有计算机及相关专业，本科及以上学历，有Python开发经验优先；
2. 熟悉典型的大模型，有AI应用开发经验，能使用LazyLLM搭建简单的AI应用…工作职责
利用商汤自研的AI应用开发者工具LazyLLM（https://github.com/LazyAGI/LazyLLM），探索AI-Agent的可能性和商业化落地场景，包含但不限于多模态RAG、AI-PPT、AI小说、旅行助手等；
实习表现优异，有实习转正机会！ 利用商汤自研的AI应用开发者工具LazyLLM（https://github.com/LazyAGI/LazyLLM），探索AI-Agent的可能性和商业化落地场景，包含但不限于多模态RAG、AI-PPT、AI小说、旅行助手等；
1. 基于 LazyLLM 框架，负责 LazyRAG 系统的核心模块研发，包括文档解析服务、检索算法优化、问答链路设计及自进化机制的工程实现。 2. 深入参与 RAG 算法迭代：包括切片策略、多粒度索引、Embedding/Reranker 模型升级、Agentic RAG 编排等方向，持续提升系统在多场景下的问答准确率。 3. 负责系统可观测性与评测体系建设，包括自动化评测集构建、Bad Case 归因分析、A/B Test 机制设计与落地，推动算法能力的数据驱动迭代。 4. 参与记忆管理与自进化模块的研发，包括词表/规范/技能的自动提取、注入与版本管理，实现系统从用户反馈中持续学习的能力。 5. 跟踪业界前沿技术（RAG、Agent、多模态检索、LLM 推理优化等），将新技术快速验证并落地到产品中。
1. 基于 LazyLLM 框架，负责 LazyRAG 系统的核心模块研发，包括文档解析服务、检索算法优化、问答链路设计及自进化机制的工程实现。 2. 深入参与 RAG 算法迭代：包括切片策略、多粒度索引、Embedding/Reranker 模型升级、Agentic RAG 编排等方向，持续提升系统在多场景下的问答准确率。 3. 负责系统可观测性与评测体系建设，包括自动化评测集构建、Bad Case 归因分析、A/B Test 机制设计与落地，推动算法能力的数据驱动迭代。 4. 参与记忆管理与自进化模块的研发，包括词表/规范/技能的自动提取、注入与版本管理，实现系统从用户反馈中持续学习的能力。 5. 跟踪业界前沿技术（RAG、Agent、多模态检索、LLM 推理优化等），将新技术快速验证并落地到产品中。
你将聚焦于 大模型 Agent 在真实业务场景中的算法设计与评估问题，推动 Agent 从“可用”走向“稳定与可控”，具体包括： 1. 设计并优化 Agent 与 RAG 相关算法方案，提升复杂任务下的准确性、稳定性与泛化能力。 2. 围绕 Agent 行为、模型输出质量与幻觉问题，设计系统化的评测方法（Evals），包括评测集、指标与自动化评估流程。 3. 结合业务场景，探索 模型微调、Prompt 策略或强化学习等方法，持续改进 Agent 表现。 4. 跟踪并复现 LLM / Agent 领域前沿研究，将有效方法转化为可落地的算法方案。 5. 输出算法相关成果，包括技术分享、内部文档、专利或论文（如适用）。