理想汽车大模型智能体算法实习生（Prompt & Context Harness 方向）
任职要求
我们希望你 - 学历：2027 年及以后毕业的硕士/博士，计算机、人工智能、NLP 等相关专业，研二优先。 - Python或其它语言：能独立完成数据处理、实验脚本、评测流水线，代码质量整洁。 - LLM 基础：理解 Prompt Engineering 范式（Zero/Few-shot、CoT、ToT），有 OpenAI/Claude 等 API 调用经验。 - 实验思维：能将模型回复变好了拆解为可测量指标（成功率、Turn 数、Latency），用数据说话。 - 自驱：能在模糊需求下自定义评测标准，不依赖完整 spec 才能启动。 加分项 - 有 Context 压缩 / RAG 检索 / Memory 机制的工程或研究经验 - 参与过 LLM 评测 Be…
工作职责
1. Prompt 工程与优化 设计、迭代智能座舱场景下的 System Prompt、Few-shot 样本和 Chain-of-Thought 模板，通过 A/B 实验量化 Prompt 修改对 Agent 指令遵循率、回复质量的影响，形成可复用的 Prompt 设计规范。 2. Context 工程 研究并优化多轮对话场景下的上下文管理策略，包括对话历史压缩、关键信息摘要、Memory 写入/检索机制，解决长对话中的 Context Pollution 和信息损失问题，降低无效 Token 占用。 3. Harness 评测框架研发 搭建和维护 Agent 自动化评测 Harness，设计覆盖驾车典型场景的测试集（导航、音乐、控车、闲聊等），实现 Prompt/Context 变更的快速回归，输出可量化的评测报告。 4. Bad Case 分析与数据闭环 从线上日志中挖掘 Agent 失败样本，归因 Prompt 歧义、Context 截断、Tool Call 错误等根因，维护 Bad Case 库，驱动持续迭代。
1. 研究智能体（AI Agent）前沿学术问题，构建行业有影响力的智能体系统，训练效果领先的大模型智能体模型； 2. 通过发表顶会论文、开源项目、竞赛等方式，打造团队学术影响力； 3. 参与构建通用大模型智能体解决方案，推动在小米核心业务中的落地应用。
本团队专注于大模型智能体领域的前沿探索，涵盖智能体框架、算法及实际应用等方面，诚邀具备扎实科研能力与工程素养的候选人加入，针对智能体展开系统性的深入研究，积极探索新一代智能体的开发范式与创新应用形态。 1. 开展大模型智能体的算法研究，重点方向包括但不限于数据合成方法、奖励建模机制、强化微调流程，智能体环境构建，智能体评测等。 2. 研发高可用的智能体框架，探索新一代智能体应用开发范式。 3. 参与真实应用场景中智能体的研发与探索。 4. 参与开源项目的技术开发与社区共建，推动研究成果在开源社区的应用。
1. 基座增强：探索大模型垂直领域知识高效增强方法，包括数据策略、训练策略以及scaling law友好的训练方法，打造适配实际应用所需的基座能力； 2. 多模态端到端：实现语音与文本模态的深度融合与统一建模，打造高效、轻量的端到端多模态系统，从而有助于更全面、多维度地理解语音与文本，提供更强的智能以及更智能的交互模式； 3. 深度推理：突破大模型在复杂逻辑推理、因果推断、多步决策、沟通技巧等大模型基础通用能力，提升模型解决开放式问题的能力； 4. 结合大模型，研发对话交互场景的大模型Agent，支持智能客服、销售、数据分析、C端助理等项目，通过预训练、微调、强化学习等全链路的技术实践，实现类人的理解和执行能力，提升美团服务能力和效率； 5. 不断探索技术新领域，推动技术能力的沉淀和技术氛围的建设。
参与交通领域多模态大模型与智能体系统的研发，核心方向包括： 交通多模态大模型（VLM）的训练、微调与效果迭代，处理图文、轨迹、地图等多源信息 交通智能体（Agent）系统开发，实现交通场景下的信息理解、推理与决策 构建和优化训练数据管线，包括数据清洗、标注质量校验与增强策略 模型效果评估与分析，定位 bad case 并提出改进方案 跟进 VLM 与 Agent 前沿技术，进行技术调研与实验验证