蚂蚁金服蚂蚁集团-Agentic Infra 开发工程师-杭州
任职要求
1. 具备扎实的计算机专业基础，包括计算机体系结构、操作系统、虚拟化与网络等； 2. 有 Linux 内核 KVM 或内存子系统的开发经验，理解虚拟化与内存管理的设计权衡，能独立完成从设计方案到性能调试的全链路； 3. 有 k8s / Kata Containers / containerd / Firecracker 之一的容器或微虚拟机开发经验，熟悉容器与沙箱的运行时链路； 4. 具备细致的系统层优化能力——能定位瓶颈，能解释为什么慢，能用数据证明优化效果，并对复杂系统有敬畏之心，致力于用简单优雅的方案解决根本问题； 5. 对技术充满热情，具备强烈的责任心和自驱力，能快速掌握解决问题所需的技术。 6. 熟练掌握 Go/Rust,并具备 AI 辅助研发能力. 7. 具有…
工作职责
职位描述： 1. Agentic 业务的爆发，让虚拟化底座从"够用"被推向"极限"。Agent 服务的负载形态与传统在线/离线截然不同：既有长时间在线、对延迟敏感的 Agent 服务，又有突发、短时、海量并发的沙箱实例——一次 Agent 任务可能瞬间拉起成百上千个实例，又很快释放。密度一旦上去，noisy neighbor、内存抖动、资源回收跟不上，再快的启动也会在并发洪峰下崩成 SLO 事故。 2. 极速启动、KVM/VMM 协同优化已经在解决"快"与"协同机制"；而高密部署下的资源治理与弹性供给，让系统级稳定 SLO 有兜底——正是我们要补齐的能力。这是服务于持续演进的 agentic 业务的平台工程，而非一次性任务：把单 Agent 实例的底层成本压到极致，agentic 业务的经济模型才跑得通。 3. 你将扎根内核与虚拟化层，负责高密场景下的资源治理、隔离与弹性调度，作为 agentic 核心业务的底层供给端，用数据证明每一步优化对业务结果的真实贡献。 岗位职责： 1. 高密资源治理：面向 Agent 高密部署场景，设计并落地内存气球、KSM、超分回收、资源清退等治理策略，让单机承载的 agent 实例密度持续提升而不破稳定性； 2. 弹性供给：建设 agent 实例快照池、冷热池与按需 burst 的弹性供给能力，面向 agentic 业务的长稳服务与突发短时实例并存的负载形态，保障并发洪峰下实例按需就位、按期回收、资源不泄漏； 3. 稳定性：负责高密/高并发下的 noisy neighbor 隔离、可观测与稳定性治理，让极速启动与协同优化的成果在真实业务负载下稳得住、可量化； 4. 内核 / KVM / VMM 协同优化：持续夯实内核、KVM 与 VMM 层的协同，针对 agentic 业务的高密部署与极速启动需求设计底层优化方案——覆盖虚拟化内存管理、设备虚拟化、调度与中断路径、I/O 链路等，提升单机实例密度与启动速度；向上协同容器运行时（containerd、Kata）与节点编排（kubelet、k8s）。
我们正在构建面向 "Agentic RL 与具身智能" 的评测与训练基础设施。支撑长程、有状态、依赖外部环境（工具、代码执行器、仿真器、机器人）的智能体任务。你将作为 infra 工程师参与平台核心模块建设： 1、设计并实现统一的任务/环境抽象层，支持异构环境的接入； 2、构建大规模并发的rollout 与评测调度系统，提升吞吐、资源利用率与稳定性； 3、搭建智能体轨迹数据管道：采集、存储、检索、回放、版本管理，以及失败案例的可视化诊断系统； 4、集成实验管理、监控告警、链路追踪等能力，保障平台在大规模任务下的可观测性与可恢复性。
ByteIntern：面向2027届毕业生（2026年9月-2027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：风控算法团队深耕于抖音（短视频、直播、电商、本地生活等）、今日头条等多个字节系业务，涵盖内容、交易、流量、账号等多个场景的底线风险治理、黑灰产对抗及复杂反作弊等关键任务。风控场景具有对抗性极强、逻辑推理链路长及海量多模态数据等挑战。目前，团队正积极推进大语言模型（LLM/MLLM）与 Agentic AI 技术的深入研究与工业化落地。通过探索前沿的模型训练范式、自主规划的 Agent 架构以及严谨的 Harness Engineering 体系，我们致力于打造下一代智能风控基础设施，为十亿级用户的社区生态保驾护航。 1、参与风控垂域大模型基座优化：打造业内领先的风控垂域基座，深入研究CPT、SFT、RL及训练与推理加速等技术；重点攻克强对抗环境下的多模态理解难题，提升模型在超长上下文、复杂逻辑推理和指令遵循等方面的表现； 2、参与Agentic AI架构研究与演进：参考行业标杆，推进风控Agent的架构升级与工业化落地，打磨领域Skill/Tool框架，优化复杂工具调用、长短期记忆管理、长链路任务编排和多Agent协同等，打造具备自演进能力的下一代智能风控架构； 3、参与构建科学评估与Harness Engineering体系：构建高质量的领域数据集，设计科学严谨的Benchmark评测体系，构建工业级Harness Engineering系统，持续驱动模型能力边界的突破。
【关于我们】 团队负责Accio Agentic模型整体后训练，核心关注coding和computer use能力，通过持续探索Agent、Agent Harness、Post-training、RL、Memory等前沿技术，自研Agent模型、Agent系统，实现B2B AI Agent跨越式发展。我们拥有充足的计算资源（H100/B200 集群）、真实的大规模商业场景（覆盖海量活跃供应商与全球买家）、开放包容的研究氛围、高人才密度的团队指导。在这里，研究成果不仅能产出学术论文，还能直接作用于海量的真实B2B贸易场景。 【职责描述】 1. 核心模型演进： 深度参与大规模 Agentic LLM 的全链路研发，涵盖 Mid-train/CPT、SFT 及 RL 阶段，探索领域知识增强与多任务学习的前沿技术，表现突出者可在核心tech report中署名； 2. 工程化与基准建设： 参与构建代码库级别的 Benchmark，优化模型在多语言、多框架环境下的跨模块调用与依赖分析性能； 3. Black-box Agent RL & Online Learning a. 策略建模与优化： 深入研究 Black-box Reward/Value Function 的建模，解决 Agent 在不可导环境反馈下的策略梯度估计问题； b. 持续探索架构： 设计并实现高性能的 Online RL 框架，支持 Agent 在真实操作系统与开发环境中进行大规模并发探索与在线策略迭代； c. 长程推理研究： 针对 Long-horizon RL 场景，攻克 Credit Assignment（信用分配）难题，提升 Agent 在多步推理（Multi-step Reasoning）下的决策稳定性； 4. Computer-Use Agent 系统建设 a. 全链路数据 Scaling： 参与构建海量真实用户交互数据的自动化生产流水线，覆盖办公场景与自动化流程，实现数据的高效回流与训练闭环； b. 数字任务执行核： 开发基于 Bash、Skills、MCP（Model Context Protocol）的执行引擎，构建能够熟练使用各种 CLI 工具与数字插件的 Agent 核心模型； c. 多场景交互闭环： 探索 Agent 与真实操作系统、浏览器及专业开发环境的交互，在 Terminal、MLE-bench 等复杂基准测试中验证模型的端到端任务完成率。
本职位聚焦OpenClaw相关特定任务场景，围绕“小模型缺知识、大模型落地难”的核心痛点，负责大语言模型的部署优化、大小模型协同框架搭建、小模型蒸馏及Memory优化相关工作，助力JVSClaw打造业界领先的Agent系统，支撑商业化目标达成。 核心职责包括： 1.充分利用云电脑GPU资源（以5880为主），实现小型语言模型的高效部署，兼顾部署效率与模型精度； 2.设计并落地适用于协同推理的大小模型协同框架及小模型蒸馏框架，弥补小模型专业知识不足、大模型部署成本高、响应延迟高的短板； 3.针对大模型输入窗口限制，构建短时-中时-长时多级闭环记忆系统，开发OpenClaw专属Context Engine记忆调度引擎，解决模型记忆遗忘、检索低效、引用错误、跨会话丢失等核心痛点，打造高可靠、高易用的记忆交互体验； 4.跟进行业前沿技术，持续优化模型部署性能、协同推理效率及Memory管理机制，保障系统稳定运行。