蔚来蔚来AGI超星计划-自研斯坦福小镇（用户智能体的构建）
任职要求
- 精通并有主流大模型的相关训练和使用工作经验，深入了解主流Agent框架和应用； - 精通多Agent协同架构设计和开发的能力； - 强大的系统性思维与问题定义能力； - 具备很好的计算机的编程能力，能够实现…
工作职责
课题介绍 本课题围绕“自研斯坦福小镇（Generative Agents）”展开，目标是构建一个可规模化运行的用户智能体仿真与交互系统。 （业务价值是：通过仿真一个销售的小世界，基于这个仿真的销售世界来模拟用户的决策逻辑和结果，基于这个结果来做销售动作的最佳决策，也能通过这个仿真世界来实现用户对产品的偏好的调研和分析） 通过对真实用户行为数据与业务场景的建模，结合大模型能力，打造具备**记忆（Memory）、规划（Planning）、行动（Action）、社交（Interaction）**能力的用户智能体（User Agent），使其能够在虚拟环境中持续运行、自主决策并相互交互。 在此基础上，构建一个“类斯坦福小镇”的多智能体仿真环境，实现： - 用户行为的长期演化模拟 - 多智能体之间的社交与信息传播 - 复杂业务策略在虚拟环境中的预演与验证 该系统将用户从“静态标签”升级为“动态个体”，为产品设计、销售策略优化、运营决策提供可解释、可验证的实验场。 预期产出 一个可运行的“多用户智能体仿真系统 ” - 支持多用户Agent的持续运行 - 具备完整的Agent能力框架：记忆（短期/长期）、反思（Reflection）、计划（Planning）、行动（Action） - 构建可视化的“虚拟小镇”，支持行为轨迹与交互过程的观测与回放 一套标准化的“用户智能体构建方法论” - 用户建模：从标签 → Persona → 行为策略 → 决策逻辑 - 数据体系：行为数据、对话数据、环境反馈数据的结构化建模 - Agent架构：Memory机制、调度机制、任务驱动机制（Task-driven Loop） - 支持不同业务场景下的快速复用（销售、客服、用户增长等） 面向业务的“策略仿真与验证能力” - 支持销售话术、营销策略、产品功能在虚拟用户群体中的A/B测试 - 评估不同策略对用户行为路径、转化率、满意度的影响 - 降低真实环境试错成本，实现策略前置验证
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 工作职责： 1、参与/负责研发面向大语言模型(LLM)/多模态大模型(MLLM)等类型模型的推理服务框架； 2、参与/负责KV Router、PD分离/EPD分离、KVCache管理、动态PD调整等分布式推理能力建设； 3、通过并行计算优化、分布式架构优化、异构调度等多种框架技术，打造高效、易用、领先的AI推理框架； 4、参与/负责构建推理框架的系统容错能力，包括但不限于请求迁移、优雅退出、故障检测、自愈等能力建设； 5、深度参与周边深度学习系统多个子方向的工作，包括但不限于模型管理、推理部署、日志/监控、工作流编排等； 6、与全公司各业务算法部门深度合作，为重点项目进行算法与系统的联合优化，支撑业务目标达成。
【业务介绍】 我们是小红书内稠密类模型（LLM/MLLM/SD/CV/NLP）统一的AI平台QuickSilver，负责调度公司内所有稠密类模型训练与推理资源，基于自建的训推引擎，为公司所有AI算法同学迭代业务模型提供端到端一站式AI服务；包括数据管理，模型管理，模型训练、压缩、推理、部署，服务管理，资源调度等一系列能力。 工作职责： 1、负责稠密类模型训练推理开发平台的架构设计和核心功能研发 2、设计和实现大模型训练部署流程，包括模型fine-tuning、推理服务化等 3、构建云原生架构，设计高可用、高性能的微服务体系 4、优化平台性能，提升系统稳定性和可扩展性
中台稠密引擎组，是小红书负责建设通用深度学习训练推理引擎的团队，面向全公司LLM、多模态LLM、SD、传统CV&NLP等稠密计算型模型训练与推理的业务场景，打造高效、易用、业界领先的训练与推理引擎，为小红书社区、商业化、安全等众多业务方向提供先进的引擎能力，支撑业务持续提升训练推理效率、模型迭代效率与算法研发效率。 1、参与设计和实现深度学习后训练及微调的前沿算法（包括但不限于RFT、RLHF等），以适应多样化的业务场景； 2、结合业务数据和场景，评估选择最适合的微调算法，以支撑业务大语言模型（LLM）微调指标的提升； 3、与数据团队紧密合作，深入理解数据特性，参与设计实现数据提质算法引擎工具，产出高质量数据集提升模型微调效果； 4、与公司内各算法团队深度合作，参与或负责大语言模型、多模态大模型等业务场景的后训练端到端效果提升及落地； 5、密切关注业界 LLM 微调算法和数据提质领域的前沿论文，并整合新技术和算法到训练引擎中，提升框架的领先性；