理想汽车智能应用开发实习生
任职要求
1. 熟练使用大模型，对大模型应用有强烈的兴趣， 对前沿技术感兴趣； 2. 热爱编程，熟练掌握JAVA，并熟悉spring、mybatis的应用；熟悉PYTION；具备良好的编程基础； 3. 熟悉多线程成编程，对内存的使用有一定的理解； 4. 至少熟悉一种关系型数据库的使用， 如MySQL、Oracle等；熟悉linux开发环境； 5. 具备良好的理解问题和解决问题的能力，具备出色的学习能力；具备良好的沟通能力； 6. 喜欢思考，自我驱动，愿意接受有挑战的事； 7. 有大模型应用开发经验者优先。
工作职责
1. 负责基于大语言模型的智能代码应用的开发，赋能整个软件开发流程，包括文档生成、代码生成、代码审查、故障定位等； 2. 按照软件开发流程，根据用户需求，完成应用的详细设计、开发、测试、上线等工作； 3. 持续优化智能应用的效果，包括优化prompt工程、建设评估能力、建设评估数据集等； 4. 与团队成员紧密合作，解决开发过程中遇到的技术问题。
1、负责 Kaleido 低代码平台与 AI 大模型的集成与应用场景实现。采用先进的工程方法，将 AI 能力融入低代码开发流程，打造新一代智能应用； 2、对复杂 AI 应用场景进行任务分解（参考 CoT、ToT 等思想），通过实验验证任务分解的有效性和合理性； 3、结合 Kaleido 平台的特性，充分利用不同 AI 模型的能力，优化应用在低代码环境中的表现（良品率、稳定性、性能）； 4、探索 AI 与低代码结合的前沿技术，将创新想法快速转化为 Kaleido 平台上的实际应用。
-参与大模型智能体应用开发与创新实践，探索生成式AI在不同场景的解决方案 -基于业务需求搭建智能体工作流，实现复杂任务的自动化处理，提升大模型应用效果 -参与客户需求对接，协助解决客户各类技术相关问题，完成技术方案验证和效果评估 -调研市场主流智能体应用， 并协助测试智能体能力边界
我们能提供什么？ 今年不愧是Agent应用元年，已有大量优秀产品涌现。在有赞内部也以高频的黑客松活动来鼓励每一位小伙伴积极投身场景探索。 在有赞你可以充分发挥想象力，沉浸式体验2B业务的Agent项目，并通过多维度场景理解+技术创新+工程应用落地，进入真实商业环境、理解业务决策与AI应用的关系。 核心能力要求 ： 需具备扎实的工程能力，有实际开发过 agent 相关应用或平台的经验； 对技术保持好奇心，愿意探索前沿领域（如 agent 框架、context engineering、智能体应用等）； 注重实际落地，能将技术转化为业务价值； 技术方向侧重 ： 关注 agent 框架（如GitHub - alibaba/spring-ai-alibaba: Agentic AI Framework for Java Developers、https://openai.github.io/openai-agents-python/、https://strandsagents.com/latest/） ai 网关（如GitHub - BerriAI/litellm: Python SDK, Proxy Server (LLM Gateway) to call 100+ LLM APIs in OpenAI for、cloudflare 的 ai gateway） browser-use（如GitHub - browser-use/browser-use: 🌐 Make websites accessible for AI agents. Automate tasks online wi、fellou） 通用 agent（如GitHub - kortix-ai/suna: Suna - Open Source Generalist AI Agent、GitHub - FoundationAgents/OpenManus: No fortress, purely open ground. OpenManus is Coming.等） 建议从 rag、text to sql、sandbox、deep research 中选一个深入研究
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。