蚂蚁金服研究型实习生-基于LLM大模型的智能医疗搜索推荐系统研究与应用

大模型（LLMs）基于自然语言的数学推理无法保证过程准确，本项目主要是基于大模型的Lean语言数学证明系统研究，具体职责包括： 1.基于数学证明题目，开发Lean数据集的构建算法； 2.基于监督微调，强化学习等技术，开发基于LLM的Lean Prover训练测试算法； 3.研究和大模型 Lean Prover相关的前沿技术； 4.撰写论文，技术文档，以及维护代码库。

业务丰富，技术领先 高德打车算法团队深度赋能打车业务全链路，涵盖 用户增长、风控、服务管控、路线与上下车点推荐、ETA 预估、智能客服 等核心场景。多样化的业务挑战为算法创新提供了广阔的发挥空间，团队已在 AI 顶级会议发表成果。 精英阵容，国际视野 团队成员来自泰晤士世界大学排名 Top 10 的高校，以及美国常青藤、清华、北大等顶尖院校，兼具国际化背景与一流技术视野。 持续成长，共享共进 团队每周固定进行技术分享，氛围开放、互助友好；除了解答算法与工程难题，资深同事还会分享项目经验，并传授业务理解与问题解决的方法论，助你快速成长。 高德打车算法团队致力于用前沿AI技术重塑每一次打车体验。我们不是在做“推荐路线”，而是在理解用户为什么这样出行——他们偏爱哪条路？为何总在某个路口取消订单？哪些投诉背后藏着未被听见的需求？ 我们正在寻找对用户行为洞察和大模型落地充满热情的实习生，与我们一起，用AI读懂出行的“潜台词”，让平台更懂你。 在这里，你将： • 构建用户出行偏好画像 基于海量行程数据，利用大模型（LLM）挖掘用户在路线选择、上下车点偏好、出行时段等方面的隐性行为模式，构建个性化出行画像，驱动个性化推荐与服务预判。 • 挖掘路线与上下车点的“隐藏特性” 分析亿级路线片段与上下车点的时空特征，通过大模型语义理解与多源信息融合，提炼可量化、可解释的“路段 / POI 质量标签”，优化点线相关推荐服务的质量。 • 提升投诉反馈的智能响应与信息透出能力 构建基于大模型的客诉理解与归因系统，自动识别投诉核心诉求（如“绕路”“司机态度”“等太久”），关联具体路线/上下车点/时段，生成结构化反馈报告，推动产品优化与客服话术升级，实现“从听抱怨到改体验”的闭环。 • 推动大模型技术在真实场景中的闭环落地 应用RAG、SFT、DPO、AI Agent等技术，构建可解释、可追踪、可迭代的智能系统，让模型不只是“跑得准”，更能“说得清、改得动、用得好”。 你的工作将直接服务全国数亿用户，每一次模型优化，都可能让一位用户少等5分钟、多一份安心、少一次投诉。你不是在写代码，你是在重塑人与出行之间的信任关系。

【课题说明】 Agentic Search是以大模型为核心，具备自主感知、推理与行动能力的搜索新范式。它通过理解用户复杂意图，动态规划搜索路径，主动调用多种工具和数据源，持续优化结果推荐与交互体验。本课题旨在研究和构建面向美团App本地生活服务的Agentic Search系统，探索其在多轮对话、复杂任务分解、实时信息整合等场景下的关键技术与应用价值，推动本地生活智能搜索技术的创新升级。 【建议研究方向】 1.意图理解与任务分解：探索大模型在复杂用户需求下的多意图识别、任务分解、子任务规划能力，提升系统对复合型检索场景的适应性和响应能力。 2.多轮工具调用技术研究：赋予LLM长链路的多轮工具调用能力，打造基于强化学习等前沿技术的LLM后训练方案，提升多轮调用时的精确性及用户的实际交互体验。 3.增量学习训练技术探索：针对本地生活场景中数据不断更新的特点，运用增量学习技术，使 AI 搜索模型能够快速适应新数据。 搜索结果可解释性提升：探索基于大模型内容深度理解与推理的可解释理由生成，增强用户对搜索结果的信任感和透明度。

数据库智能调优方案研发，具体职责包括： 1.通过应用Agent、RAG等技术，开发大语言模型驱动的数据库智能调优工具，包括自动计划标注管理、表结构优化、自动构建物化视图等能力； 2.设计基于历史SQL运行数据的LLM训练与调优方案，并建设持续在线学习能力； 3.设计智能优化评估工具。