蚂蚁金服【转正实习】智能体研发工程师
任职要求
1. 计算机科学、人工智能、软件工程、电子信息等相关专业本科及以上学历； 2. 扎实的编程基础，熟练掌握 Python、Java、C++ 等至少一种主流编程语言； 3. 熟悉常用数据结构、算法及软件工程实践，具备良好的代码规范和系统设计能力； 4. 对大模型、智能体（Agent）、强化学习、自然语言处理或相关领域有浓厚兴趣，有项目或研究经验者优先； 5. 具备良好的学习能力、沟通能力和团队协作精神，对解决复杂问题有热情； 6. 有开源项目贡献、竞赛获奖（如ACM、Kaggle、AI挑战…
工作职责
1. 参与AI Infra 基础设施平台或者面向金融、风控、营销、Web3、企业服务等AI应用场景的智能体（Agent）系统的设计、开发与优化； 2. 参与基于大语言模型（LLM）或多模态模型的智能体核心模块研发，包括但不限于任务规划、工具调用、记忆机制、对话管理、推理引擎等， 探索和实现智能体在复杂业务场景中的落地应用，如智能客服、自动化流程、决策辅助、数字员工等； 3. 参与AI Infra 平台系统架构设计和核心技术细节实现，帮助团队攻克各种技术难关，保障和提升平台稳定性; 4. 与算法、产品、数据及业务团队紧密协作，推动智能体系统的全链路端到端交付与迭代； 5. 跟踪前沿技术进展，通过AI Coding 持续提升系统智能化水平与工程效率。
1.研究大模型智能体和对话技术的基础核心能力，包括推理、规划、复杂指令遵循、知识注入、偏好对齐、拟人沟通等核心能力； 2.基于大模型，研发语音/对话交互场景各类智能体应用，支持智能客服、语音智能分析等项目，提升美团服务能力和效率； 3.深入理解智能体和对话交互相关业务场景，进行重点难点技术攻关工作，将技术优化与业务场景联系起来，快速解决业务痛点问题； 4.不断探索技术新领域，持续推动技术能力的沉淀和技术氛围的建设。
1. Agent核心算法研发：负责AI智能体（Agent）核心算法的设计与实现，包括任务规划、记忆管理、工具调用等模块，并探索强化学习（RL）在其中的应用。 2. 模型优化与对齐：应用SFT、RLHF等对齐技术，负责模型输出的逻辑校验与“幻觉”缓解，提升Agent决策的准确性与可靠性。 3. 性能与推理优化：研究并应用量化、并行计算等技术，优化大模型推理效率，提升Agent的响应速度与运行性能。 4. 框架开发与原型验证：参与Agent框架的开发、测试与迭代，并快速将前沿算法思想转化为可交互的产品原型。 5. 大模型和产品结合：创建产品和模型训练之间的数据飞轮，构建产学研的轮转迭代。 6. 基于执行反馈的学习算法研发：使AI系统能够从实践中学习并生成更有效的训练算法，深入理解奖励函数设计、探索-利用平衡以及如何避免多样性崩溃等关键问题。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：直播团队负责为抖音集团提供直播服务。团队负责直播平台技术和直播业务研发，打造灵活稳定的直播服务平台，为用户提优质直播体验，支持电商、本地生活、游戏、节目、多人互动等不同类型的业务场景。直播业务发展迅猛，处于行业头部地位，业务发展空间巨大。现在加入我们，和优秀的人一起做有挑战的事，你的技术与创意将影响亿级用户，激发创意和丰富生活。 1、负责研发基于大模型的AI Agent智能研发系统，构建工程研发过程中与工程师深度协作的智能体； 2、研究并推动智能任务规划与拆解算法的落地部署，包括需求理解、智能任务分发、计划监督与自动修正； 3、负责探索多智能体协作机制，解决Agent与人、Agent与Agent之间高效协同的现实问题； 4、推进智能UI自动生成算法研究，细致解决多场景适配、设计风格理解、用户意图推理的挑战； 5、跟踪当前业界最新的多智能体、大模型应用研究进展，确保团队技术领先。
聚焦核心业务场景，利用Agent等前沿技术推动AI落地。你将参与从需求洞察到系统构建的全流程，通过研发智能应用与工具，提升业务效率与效果，实现技术驱动业务增长的完整闭环，推动智能规模化演进，实现技术价值转化。 具体职责包括以下相关方向的一项或多项： 1. 需求理解与归因。深入业务场景，利用数据挖掘与特征分析完成现象归因；精准识别高价值问题，将模糊的业务痛点转化为明确的 AI 解决目标。； 2. 架构设计。面向具体业务需求，设计 AI 原生系统架构；参与 Agent 系统核心模块的规划，包括记忆管理、推理策略与工具编排，兼顾架构的灵活性、可扩展性与工程可落地性； 3. 知识与环境构建。搭建AI与现有业务系统的交互环境，涵盖 API 接入、RAG 知识库构建、记忆方案设计；持续优化召回质量与上下文注入策略，为模型提供准确、及时的执行环境与知识支撑； 4. 核心能力实现。负责Agent关键模块的工程落地，实现意图识别、任务拆解与反思纠错闭环；封装标准化SDK/API服务，构建Agent观测体系，实现全链路追踪与多维归因分析； 5. 系统迭代与演进。建立搭建自动化评测与回测机制，通过调优与Case分析不断收敛效果与性能提升的最优路径；沉淀方法论与可复用组件，推动 AI 能力从单点验证走向规模化落地； 6. 性能优化。优化高并发场景下的系统性能，通过异步处理与降级策略保障稳定性，通过低侵入性观测手段保障系统的长期稳定运行。