理想汽车自主智能与AI交互研究工程师-北京

1.AI认知交互理论研究：围绕智能空间开展AI认知交互理论研究，探索面向未来的人机协同模式、主动交互、记忆驱动交互、多智能体协同等核心机制，构建下一代AI交互理论框架与设计方法，支撑智能空间产品创新。 2.自主智能（Agentic AI）测试系统理论研究：围绕自主智能（Agentic AI）测试系统开展理论研究，研究自主智能系统的能力定义、任务规划、记忆机制、推理决策及评价体系，设计自主智能测试系统的总体架构，为自主智能测试系统的研发与验证提供理论支撑。 3.前沿技术研究与系统架构设计：持续跟踪LLMs、Agent、Agentic AI、多模态大模型、世界模型等前沿技术，结合业务需求开展前瞻性研究，完成系统架构设计及创新能力验证，推动研究成果向工程落地转化。

1、安全 Agent 系统研发： - 设计与构建面向真实安全场景的自主 AI Agent 系统，实现从目标理解、环境感知、工具调用到多步推理执行的端到端闭环； - 研究并实现 Agent 的核心能力模块，包括任务规划与分解、动态策略调整、反思与自修正、安全约束与人机协同机制； - 设计多 Agent 协作架构，实现检测、分析、研判、响应等安全运营环节的自动化协同。 2、安全领域 Agentic 模型训练： - 研究面向安全场景的大模型增强方案，包括安全领域持续预训练、指令微调、RLHF/RLEF 等技术路线，提升模型在安全专业任务上的推理与行动能力； - 构建安全领域高质量训练数据体系（攻防轨迹、工具调用序列、推理链标注等），设计面向 Agent 能力的训练目标与奖励函数。 3、评估与可信体系建设： - 建立安全 Agent 的标准化评估基准，覆盖任务完成率、推理准确性、鲁棒性、可控性等多维指标； - 研究 Agent 在对抗环境下的安全性问题（提示注入防御、行为边界约束、决策可解释性等）。

负责阿里云可观测平台核心算法与智能引擎建设，沉淀深厚的运维领域知识与经验。加入该岗位，您将基于大模型技术，构建下一代 AIOps 产品核心竞争力，打造面向未来的智能运维基础设施。 1. 研发可观测核心算子，负责设计与研发面向海量可观测数据的核心算法算子，实现对海量原始数据的高效预处理与特征提取，为上层智能应用提供高质量输入； 2. 参与 AIOps Agent 设计与研发，负责 LLM 驱动的 AIOps Agent 的核心算法研发。通过多 Agent 架构解决复杂场景下的根因定位、影响评估、智能巡检、辅助运维等难题； 3. 构建并应用 AIOps Benchmark 体系，设计和落地具有业界影响力的 AIOps Benchmark 评测体系。通过系统化的故障注入与案例复盘，构建覆盖广泛、高度真实的评测数据集，用于度量和持续优化 AIOps 系统的泛化能力； 4. 探索前沿模型训练与优化技术，运用监督微调（SFT）、强化学习（RLHF）等前沿技术，针对 AIOps 中的关键过程进行模型优化和迭代，持续提升 AIOps 的准确性和性能； 5. 追踪前沿并推动技术落地，持续追踪和研究 LLM、Agent、知识图谱、图神经网络、因果推理等技术在 AIOps 领域的最新进展，结合阿里云可观测产品的实际场景，探索和推动前沿技术的应用与落地，构建技术壁垒。

课题介绍 当前企业面临系统孤岛、AI 无法自主执行、能力无法复用三大挑战。NIO Skyworks 对标微软 Fabric 和 Palantir 构建企业 AI 操作系统，本课题旨在打造平台“大脑”——Autonomy Operating System，实现感知-决策-执行-进化的完整闭环。 四大核心方向： 方向一：自主决策引擎 - 多源信息融合、因果推断与反事实推理、多目标优化、不确定性量化。适合决策智能/因果推理/优化算法方向。 方向二：多 Agent 协同编排 - 任务分解与规划、Agent 能力匹配、动态编排与容错、跨系统协同。适合多 Agent 系统/LLM Agent/任务规划方向。 方向三：企业状态感知 - 异常检测、时间序列预测、图网络分析、多模态融合。适合时间序列/异常检测/图神经网络方向。 方向四：自主学习进化 - 反馈循环设计、在线学习、知识沉淀、A/B 测试。适合强化学习/在线学习/知识工程方向。 预期产出 技术产出（优先级 P0）: - 核心模块开发：自主决策引擎原型、多 Agent 编排引擎原型、状态感知系统原型 - 技术文档：Autonomy OS 架构设计文档、核心算法技术报告、API 文档和使用指南 业务产出（优先级 P1）: - 场景验证：在 1-2 个真实业务场景（供应链风险预警/用户运营优化/智能制造决策）中验证系统能力 - 平台集成：将核心模块集成到 Skyworks 平台（AgentSight/KnowledgeSight），支持业务团队使用