蚂蚁金服蚂蚁集团-测试开发（业务质量）-数字医疗

1、负责支付宝的个性化AI产品体验以及基于最新的大模型等AI技术构造下一代的智能化产品的质量保障工作，确保在医疗场景中的应用效果和安全； 2、工作内容包括不限于 持续集成体系、质量平台开发、专业领域模型训练、算法评测、线上问题归因分析等，推动架构、技术、工具和流程的改进和创新，多工种配合，提升整体研发和交付的效率； 3、在算法工程架构、质量平台、团队技能和人员等方面进行有前瞻性的布局、规划和建设，构建高品质的稳定性保障能力，有质量技术方向的创新。

一、岗位定位 作为支撑国家重大战略项目（涵盖数字文化遗产活化、体育竞技科学训练、医疗康复精准评估、智能制造人机协同等领域）的核心技术角色，本岗位聚焦多相机 3D 动捕技术的算法工程化转化，以高效 C++ 开发为核心手段，牵头完成 “需求分析 - 方案设计 - 算法评估 - 落地优化” 全流程工作，构建满足国家项目高要求的稳定、高精度、实时性动捕 SDK，为3D 动捕技术自主可控与行业领先提供关键技术支撑。 二、核心岗位职责 围绕国家重大项目的技术需求与落地目标，以 “方案先行、评估护航” 为原则，承担以下核心工作： 1.动捕 SDK 全周期方案管控与开发： 针对国家项目（如文旅数字展演、体育训练监测）的场景特性与技术指标，牵头开展前期需求拆解与方案设计，明确多相机、多人 3D 关键点动捕 SDK 的技术架构、功能模块划分及接口规范；通过多轮方案可行性评估（含技术风险、落地成本、适配性），确定最优实施路径后，推进 SDK 核心开发与长期维护，确保最终产品能精准匹配项目多样化需求，保障动捕数据精度与系统稳定性，为上层应用提供高可靠技术接口。 2.核心算法评估选型与工程转化： 紧扣国家项目对实时性、准确性的严苛要求，前期开展三维重建、姿态估计、时空同步、数据融合等核心算法的调研与对比评估，重点分析不同算法在项目场景中的适配度、性能瓶颈及优化潜力；基于评估结论制定算法工程化方案，完成高性能算法模块的 C++ 实现，解决多相机协同偏差、复杂场景动捕精度不足等关键问题，确保算法性能完全满足项目核心指标。 3.SDK 性能优化方案设计与验证： 结合国家重大项目中大规模数据处理、多设备协同作业的需求特点，前期通过性能测试与瓶颈分析，制定针对性优化方案（涵盖计算效率提升、内存占用压缩、稳定性增强等维度）；按方案推进优化实施，并通过项目场景实测验证优化效果，确保 SDK 在高并发、高数据量场景下仍能保持实时动捕能力，提升项目整体运行效率，保障项目技术指标 100% 达标。 4.底层功能方案评估与开发支撑： 针对国家项目现场多相机设备协同的复杂需求，前期参与相机标定、同步机制、网络通信等底层功能的技术方案评估，重点验证方案在设备兼容性、数据传输效率、标定精度等方面的适配性；基于评估结果参与底层功能开发，确保多相机设备在项目现场实现精准协同与高效数据传输，为动捕系统稳定运行筑牢底层技术基础，降低项目落地风险。 5.跨团队协同推进技术落地： 与算法研究、前端展示、应用集成等团队深度协作，精准理解国家重大项目的业务场景与技术需求，推动动捕算法从理论原型向工程产品的快速转化，确保 SDK 能无缝适配项目中的数字孪生、虚拟交互等上层应用场景。 6.技术文档与质量管控： 编写规范的技术方案文档、单元测试报告及接口说明文档，建立覆盖 “方案 - 开发 - 测试” 全流程的代码质量管控机制，保障 SDK 的可维护性与可扩展性，为国家项目的长期迭代与技术升级提供有力支撑。

团队介绍：AI Coding团队致力于探索LLM在软件开发全生命周期的应用，支持MarsCode、Trae等代码智能产品中代码补全、智能编辑、程序debug以及代码修复等核心AI功能的全链路模型优化。欢迎对大模型、Agent技术和开发者工具体系感兴趣、对技术有追求的同学加入，共同成长！ 课题介绍： 一、课题背景与研究动机 1、复杂软件工程项目的挑战与需求：随着企业业务需求的快速增长，软件项目规模持续扩大，系统架构日趋复杂，跨语言、多框架、多平台开发成为常态。开发团队在应对代码理解、跨模块协作、版本演化和长期维护等问题时，效率与质量面临双重挑战； 2、大模型在编程领域的潜力与不足：大规模语言模型在代码生成、补全和文档生成等任务上已展现强大能力，推动了智能化开发工具的初步落地。然而，在应对复杂软件工程项目时，现有模型在长序列建模、上下文一致性、跨文件依赖理解及代码质量保障方面仍有明显不足； 3、技术与产业机遇：1）范式变革：大模型有望成为软件开发全流程的重要参与者，推动从工具辅助向智能协作转变，覆盖从需求分析到代码实现、测试生成和自动化重构的各个环节；2）行业转型：通过深度优化大模型在复杂软件开发中的能力，可显著提升企业研发效率、软件质量与团队协作能力，助力数字化转型； 二、研究目标与创新价值 1、研究目标 1）提升大模型对复杂项目的语义理解与跨模块上下文建模能力，尤其是在长序列代码、跨文件依赖和复杂逻辑推理场景中的表现； 2）优化模型微调与自适应学习策略，通过引入多任务学习、强化学习（RL）和领域知识增强，构建具有高泛化能力和行业适配能力的大模型； 3）集成领域知识库与检索增强（RAG）技术，确保模型生成结果在行业标准、安全规范和合规性方面的准确性与可靠性； 4）构建自我进化的 AI Coding多智能体系统，基于强化学习、长期记忆、垂类模型训练、测试时计算等方法，持续优化任务规划、代码生成等能力，实现数据驱动的自我进化，从而实现复杂应用的端到端全栈开发； 2、创新价值 1）模型结构与预训练策略的突破：在通用预训练模型基础上，结合程序分析与语法语义建模，提升对大型软件项目的理解能力，尤其是在模块间交互和函数调用路径分析方面； 2）模型优化与自适应增强：通过多维度监督信号（代码质量、运行性能、测试覆盖率等），实现强化学习与在线反馈的动态调整，打造具备持续学习能力的大模型； 3）从工具辅助到全生命周期协作：以大模型为核心，推动需求到实现、测试到部署的智能化协作新范式，助力开发者在复杂工程项目中更高效地完成跨团队协作与长期维护； 4）领域知识与行业专属能力融入：通过引入行业领域知识库（如金融合规、医疗数据安全规范等），结合检索增强技术（RAG），确保生成代码符合行业标准，显著降低错误和安全隐患； 三、主要挑战与应用前景 1、长序列代码与复杂上下文建模：复杂软件项目中，代码文件可能达到数千行，存在跨模块调用和多层次依赖，模型如何在长序列输入下保持上下文一致性，是核心技术难点之一； 2、跨语言与多框架适配：现有模型大多针对单一语言优化，而企业项目往往涉及多语言（如 Python、C++、Java 等）和多框架（如 React、Django、Kubernetes）。如何提升模型的跨语言泛化能力成为重要课题； 3、领域知识缺失与安全合规风险：通用大模型缺乏行业特定知识，可能生成不符合行业规范或存在潜在漏洞的代码，需引入领域知识与合规规则进行优化和增强； 4、人机协作：针对新涌现的大模型技术和应用场景，研究下一代软件研发人机交互形式，推动AI驱动的交互形式的普及与发展。

团队介绍：AI Coding团队致力于探索LLM在软件开发全生命周期的应用，支持MarsCode、Trae等代码智能产品中代码补全、智能编辑、程序debug以及代码修复等核心AI功能的全链路模型优化。欢迎对大模型、Agent技术和开发者工具体系感兴趣、对技术有追求的同学加入，共同成长！ 课题介绍： 一、课题背景与研究动机 1、复杂软件工程项目的挑战与需求：随着企业业务需求的快速增长，软件项目规模持续扩大，系统架构日趋复杂，跨语言、多框架、多平台开发成为常态。开发团队在应对代码理解、跨模块协作、版本演化和长期维护等问题时，效率与质量面临双重挑战； 2、大模型在编程领域的潜力与不足：大规模语言模型在代码生成、补全和文档生成等任务上已展现强大能力，推动了智能化开发工具的初步落地。然而，在应对复杂软件工程项目时，现有模型在长序列建模、上下文一致性、跨文件依赖理解及代码质量保障方面仍有明显不足； 3、技术与产业机遇：1）范式变革：大模型有望成为软件开发全流程的重要参与者，推动从工具辅助向智能协作转变，覆盖从需求分析到代码实现、测试生成和自动化重构的各个环节；2）行业转型：通过深度优化大模型在复杂软件开发中的能力，可显著提升企业研发效率、软件质量与团队协作能力，助力数字化转型； 二、研究目标与创新价值 1、研究目标 1）提升大模型对复杂项目的语义理解与跨模块上下文建模能力，尤其是在长序列代码、跨文件依赖和复杂逻辑推理场景中的表现； 2）优化模型微调与自适应学习策略，通过引入多任务学习、强化学习（RL）和领域知识增强，构建具有高泛化能力和行业适配能力的大模型； 3）集成领域知识库与检索增强（RAG）技术，确保模型生成结果在行业标准、安全规范和合规性方面的准确性与可靠性； 4）构建自我进化的 AI Coding多智能体系统，基于强化学习、长期记忆、垂类模型训练、测试时计算等方法，持续优化任务规划、代码生成等能力，实现数据驱动的自我进化，从而实现复杂应用的端到端全栈开发； 2、创新价值 1）模型结构与预训练策略的突破：在通用预训练模型基础上，结合程序分析与语法语义建模，提升对大型软件项目的理解能力，尤其是在模块间交互和函数调用路径分析方面； 2）模型优化与自适应增强：通过多维度监督信号（代码质量、运行性能、测试覆盖率等），实现强化学习与在线反馈的动态调整，打造具备持续学习能力的大模型； 3）从工具辅助到全生命周期协作：以大模型为核心，推动需求到实现、测试到部署的智能化协作新范式，助力开发者在复杂工程项目中更高效地完成跨团队协作与长期维护； 4）领域知识与行业专属能力融入：通过引入行业领域知识库（如金融合规、医疗数据安全规范等），结合检索增强技术（RAG），确保生成代码符合行业标准，显著降低错误和安全隐患； 三、主要挑战与应用前景 1、长序列代码与复杂上下文建模：复杂软件项目中，代码文件可能达到数千行，存在跨模块调用和多层次依赖，模型如何在长序列输入下保持上下文一致性，是核心技术难点之一； 2、跨语言与多框架适配：现有模型大多针对单一语言优化，而企业项目往往涉及多语言（如 Python、C++、Java 等）和多框架（如 React、Django、Kubernetes）。如何提升模型的跨语言泛化能力成为重要课题； 3、领域知识缺失与安全合规风险：通用大模型缺乏行业特定知识，可能生成不符合行业规范或存在潜在漏洞的代码，需引入领域知识与合规规则进行优化和增强； 4、人机协作：针对新涌现的大模型技术和应用场景，研究下一代软件研发人机交互形式，推动AI驱动的交互形式的普及与发展。