深度求索AGI 核心业务管培生

1、定义未来架构： 深度参与阿里云新一代 Agent/Sandbox 运行时的顶层设计与核心攻坚，探索 MicroVM、异构计算调度、OS Agent 等前沿技术在 AI 智能体场景下的应用边界； 2、攻克系统难题： 解决超大规模分布式系统中的极端挑战，包括但不限于：Agent/Sandbox 的毫秒级启动/休眠唤醒、异构算力的调度超卖，单集群千万 Agent/Sandbox 的管理等等； 3、学术与工程结合： 保持对系统软件（System Software）领域前沿技术的敏锐度，将学术界最新成果（State-of-the-art）引入工业界，并通过大规模生产环境验证，反哺学术界。

课题介绍 课题希望研发一套以用户行为深度建模为核心的自适应价值规划算法。通过先进的数据表征与注意力机制，算法将深度挖掘用户行为规律与价值诉求，构建能够量化、平衡多维度运营目标的智能决策模型。该算法将学习在动态环境中自主进行长期、全局的价值寻优，推动运营规划从执行预设规则向理解并驱动用户价值的根本性转变，为业务打造具备持续进化能力的决策引擎。 预期产出 - 核心算法模型：交付一套基于用户行为深度建模的自适应规划算法，包括行为表征、价值网络模型及模型评估与优化工具链，形成可迭代、可解释的解决方案 - 业务价值验证：算法驱动下实现用户侧核心体验指标（如需求满足率）提升3%以上，单位综合运营成本降低1-2% - 规模化应用和资产沉淀：提供算法规模化推演与全量效益评估，预计规模化应用后可实现年化运营成本节省2000-4000万元。同步沉淀高保真仿真沙盘与模型迭代框架，形成核心智能决策资产

1. 医学检索系统研发：设计并实现面向医学领域的深度检索与深度研究系统，包括但不限于医学RAG系统搭建、模型Agentic训练与医学检索benchmark搭建。 2. 医学Auto Research系统构建：研发自主研究闭环系统，让AI能够自主提出假设并进行搜索、规划、执行、验证和迭代，输出可审计的研究成果；涉及Agent架构设计、工具编排、反思与自我纠错机制等核心模块。 3. 医学世界模型研发：设计能够建模医学世界知识以及人类健康状态变化的医学世界模型，能在临床环境中进行可信反事实推演，涉及基模训练与架构探索。 4. 跟踪探索大语言模型、多模态大模型、世界模型等方向前沿技术，结合集团拥有的丰富且体系化的医疗生态，实践算法的创新应用与落地。

方向：Ontology / Context Engineering / Evaluation / Self-evolving AI 你要解决的问题 通用模型不会天然理解一家企业。 企业里存在数万张表、海量文档、复杂对象关系、不同指标口径、隐含规则和持续变化的业务状态。 这个岗位需要研究： 如何让 AI 从异构企业资产中建立语义，找到完整证据，组装正确上下文，完成可靠推理，并从失败中持续学习。 这不是单一的 RAG 问题，而是语义建模、信息检索、知识表示、推理、评测和学习系统的交叉问题。 你会参与的工作 1. 研究从表结构、字段、文档、代码和 API 中自动抽取企业对象、关系、事件、指标与规则； 2. 研究局部语义与 Canonical Ontology 的自动对齐、冲突识别和增量演进； 3. 设计面向复杂问题的多阶段召回、查询分解、证据选择和 Context Assemble 算法； 4. 研究结构化数据、非结构化知识和图谱的联合检索与 Rerank； 5. 建设 Context、Evidence、Agent、Skill 和业务输出的评测体系； 6. 从 tracing、用户反馈和业务结果中识别 badcase 根因，并生成资产修正建议； 7. 推动算法进入真实生产场景，并基于线上数据不断优化。 重点研究方向 1.1 Enterprise Ontology Induction - 从数仓 Schema、文档和代码中自动发现企业对象及关系； - Canonical Ontology 与领域 Ontology 的匹配、融合和冲突处理； - 弱监督、主动学习与专家反馈结合的语义治理； - Ontology 版本变化的影响分析与质量评估。 1.2 Semantic Mapping - 表、字段、指标、文档、API 与业务对象的跨模态语义匹配； - 基于描述、数据分布、查询日志和业务关系的联合建模； - Mapping 置信度、可解释性与人工审核优先级； - 面向长尾系统的小样本和零样本语义映射。 1.3 Context Assembly - Token 预算约束下的上下文选择和信息压缩； - 面向复杂任务的查询分解和多跳证据组装； - 事实、关系、规则、历史和 Memory 的动态组合； - 面向不同模型和任务的 Context 自适应优化； - Context 完整性、相关性、时效性和冗余度评价。 1.4 Evidence and Trustworthiness - 证据召回率、完整性和忠实度评测； - 结论与数据、文档、指标及规则之间的可验证绑定； - 无法回答、证据冲突和不确定性的识别； - 基于业务约束的幻觉检测和答案校验。 1.5 Agent Evaluation - 长链路任务的过程评测和结果评测； - Tool Call 正确性、任务完成度和执行风险评价； - 从 tracing 中定位失败发生在召回、推理、规划还是执行； - 基于生产 badcase 自动构建评测集； - Agent 版本回归与线上效果预测。 1.6 Governed Learning Flywheel - 从用户修正和业务结果中提取高价值学习信号； - 自动生成 Ontology、Mapping、Rule、Skill 和 Eval Case 的修改建议； - 防止错误反馈污染企业核心资产； - 人机协同下的受治理自进化机制； - 企业长期记忆的沉淀、压缩、冲突消解与遗忘。