小鹏汽车大模型Agent记忆算法实习生（侧重空间记忆）
任职要求
1. 本科及以上在读，人工智能、计算机、NLP、机器学习相关专业； 2. 了解大模型基础与Agent基本架构，对智能体记忆、空间认知方向感兴趣； 3. 熟练使用Python，了解向量数据…
工作职责
岗位概述 协助研发大模型智能体长期记忆体系，重点参与空间记忆模块开发，支撑智能体空间认知、场景记忆与跨会话持久记忆能力建设，助力长链路任务逻辑优化。 1. 协助设计智能体分层记忆框架，参与空间记忆、场景位置、空间关系记忆功能开发； 2. 配合实现记忆召回、向量检索、摘要压缩等基础能力，优化记忆调用效率； 3. 协助对接空间信息表征、事件抽取，打通空间记忆与Agent推理流程； 4. 参与功能测试、效果调优，整理实验数据，迭代优化记忆策略； 5. 跟进前沿技术，协助完成文档沉淀与模块落地。
简介：围绕下一代智能体系统的三类核心能力展开布局——持续学习能力、原生规划与建模能力、跨时程记忆能力。 1、探索 Agent 的学习范式：online learning/自博弈/自进化：围绕任务自动生成—轨迹采集—反馈建模—经验提炼—策略更新的闭环展开探索，重点尝试失败驱动的课程生成、自我反思与回溯、多智能体自博弈、基于验证器或多数投票的弱监督反馈，以及将经验写入外部记忆或压缩回模型参数的近在线更新机制。核心目标是让 Agent 在开放环境中逐步具备持续学习、持续适应和持续提升的能力。 2、Agentic-native model 范式：扩散模型/世界模型/生成式规划：探索三类互补路径：其一，学习可供 Agent 调用的世界模型，用于预测状态转移、环境反馈与长期结果；其二，用扩散式或潜变量式生成机制，对动作序列、子目标或未来轨迹进行并行采样与迭代修正，提升长程规划能力；其三，把生成式规划与搜索/验证结合，通过 imagined rollouts、候选轨迹打分、反事实比较和分层计划，把先想后做的能力落实到系统。 3、超长上下文与记忆：围绕记什么、记成什么形式、何时写、如何压缩、何时召回、何时遗忘这几个核心问题开展研究，重点探索分层记忆结构、事实/经验/工作记忆协同、主动写入与更新、基于任务反馈的记忆读写策略学习，以及长上下文与显式记忆协同的系统设计，以支撑长时程规划、多轮任务连续性与个体化经验积累.
职位背景： 小红书作为用户的“生活决策指南”，每天承载海量的搜索与浏览需求。我们正在从传统的“信息检索”向“意图满足与服务分发”进化。 你将加入核心算法团队，负责建设小红书社区原生的 Agent 平台。利用 LLM、RAG、Multi-Agent 等前沿技术，深度理解用户复杂的非结构化 Query（如旅游攻略、装修避坑、穿搭建议），调度全站笔记、商品与工具资源，为用户提供能够直接解决问题的“智能方案”。 岗位职责： Agent 核心架构建设：负责通用 Agent 框架的设计与研发，包括意图识别（Router）、任务编排（Planning）、工具调用（Function Calling）及多轮对话状态管理（Memory），构建支持高并发、低延迟的在线智能分发系统。 大模型调优与对齐：基于开源或自研基座模型，利用 SFT、RL 等技术进行垂直领域微调。增强模型的小红书风格化表达（社区感）、复杂指令遵循能力及工具调用准确率等。 垂类智能体落地：深入旅游、美妆、装修、法律等核心垂类，设计专有的 Workflow，打通笔记、商卡、POI 等结构化数据，提升用户从“搜索”到“决策”的转化效率。 评测与迭代体系：建设 Agent 自动化评测平台（LLM-as-a-Judge），制定涵盖准确性、相关性、有用性及安全性的多维评估指标，通过离线评测与在线 A/B 实验持续驱动效果优化。
1、负责 Keep AICoach agent 技术研发，包括 Multi-Agent框架、Memory 机制等基础能力建设； 2、设计、开发运动健康专业领域 Agent，提升大模型在特定场景的应用能力； 3、负责 Agent 系统的稳定性建设，设计高可用架构与容灾降级方案，保障系统在极端场景下稳定运行。
1. 通过深度的数据分析和数据洞察，构建自动化的数据飞轮，迭代式提高模型在真实生产力场景任务下的完成表现； 2. 通过 Midtrain 数据增强、SFT、 Large Scale RL Scaling 等手段，训练模型能够在多样化、有噪声的真实、全模态环境下，支持多样化的 Tools、Skills、Subagents 的稳定、正确、综合、可插拔式灵活使用，并能在一定限度内进行环境的修复与可靠改造； 3. 参与 multi-agent 相关的框架和训练基建，增强模型的系统性长程任务高效处理能力，通过 agent swarm 或其他先进的 multi-agent system 进行系统性长程任务的并行执行和提效；