千问千问C端事业群-大模型记忆算法专家-杭州/上海
任职要求
1. 计算机、数学、统计学相关专业，硕士及以上学历；3年及以上NLP算法经验； 2. 熟悉NLP领域前沿技术，有LLM对话系统建设相关经验，对qwen、gemini等文本、视觉、全模态模型较为熟悉，需有可验证的大模型项…
工作职责
1. 负责语音助手场景的记忆相关能力建设，包括对话数据、行为数据、应用数据的记忆生成和召回链路； 2. 负责大模型在记忆机制（如外部记忆库、长期上下文管理）和数据处理（如机器数据预标注、质检）方面的算法研究与开发； 3. 记忆相关agent算法研发，保证记忆能力在对话中控、领域agent、个性化交互等场景的高质量交付。
岗位概述 协助研发大模型智能体长期记忆体系，重点参与空间记忆模块开发，支撑智能体空间认知、场景记忆与跨会话持久记忆能力建设，助力长链路任务逻辑优化。 1. 协助设计智能体分层记忆框架，参与空间记忆、场景位置、空间关系记忆功能开发； 2. 配合实现记忆召回、向量检索、摘要压缩等基础能力，优化记忆调用效率； 3. 协助对接空间信息表征、事件抽取，打通空间记忆与Agent推理流程； 4. 参与功能测试、效果调优，整理实验数据，迭代优化记忆策略； 5. 跟进前沿技术，协助完成文档沉淀与模块落地。
1.负责 AI 在企业微信场景落地的核心系统建设，包括 LLM 记忆系统、上下文工程、图谱构建的设计和实现 2.完成结构化/非结构化数据的信息压缩、知识提炼、关系挖掘和推理、图谱的存储和更新 3.持续跟踪并引入最新的记忆系统构建、上下文管理技术，推动技术在实际业务的创新应用，打造下一代 AI 应用系统
简介：围绕下一代智能体系统的三类核心能力展开布局——持续学习能力、原生规划与建模能力、跨时程记忆能力。 1、探索 Agent 的学习范式：online learning/自博弈/自进化：围绕任务自动生成—轨迹采集—反馈建模—经验提炼—策略更新的闭环展开探索，重点尝试失败驱动的课程生成、自我反思与回溯、多智能体自博弈、基于验证器或多数投票的弱监督反馈，以及将经验写入外部记忆或压缩回模型参数的近在线更新机制。核心目标是让 Agent 在开放环境中逐步具备持续学习、持续适应和持续提升的能力。 2、Agentic-native model 范式：扩散模型/世界模型/生成式规划：探索三类互补路径：其一，学习可供 Agent 调用的世界模型，用于预测状态转移、环境反馈与长期结果；其二，用扩散式或潜变量式生成机制，对动作序列、子目标或未来轨迹进行并行采样与迭代修正，提升长程规划能力；其三，把生成式规划与搜索/验证结合，通过 imagined rollouts、候选轨迹打分、反事实比较和分层计划，把先想后做的能力落实到系统。 3、超长上下文与记忆：围绕记什么、记成什么形式、何时写、如何压缩、何时召回、何时遗忘这几个核心问题开展研究，重点探索分层记忆结构、事实/经验/工作记忆协同、主动写入与更新、基于任务反馈的记忆读写策略学习，以及长上下文与显式记忆协同的系统设计，以支撑长时程规划、多轮任务连续性与个体化经验积累.
当前大模型（LLMs/MLLMs）在长对话和复杂任务链中面临上下文窗口限制和遗忘问题。尽管扩大上下文长度有所帮助，但其计算和推理成本高昂，且难以实现真正意义上的终身学习和经验累积。另一方面，现有模型在交互中往往缺乏个性化的体验，无法有效地捕捉、存储和召回与特定用户、特定场景相关的多模态经验。为了使大模型具备像人类一样从持续交互中学习、积累和灵活调度的能力，并实现从通用助手到私人智能伙伴的跃升，亟需构建一个高效、多层次、时间敏感的多模态记忆系统。这不仅能突破输入长度限制，还能通过跨模态信息的整合和知识的结构化，大幅提升模型在复杂场景下的鲁棒性、泛化能力和自我进化能力。 大模型多模态记忆增强研究项目，团队在多个方向上进行探索，若你对以下一个或多个课题感兴趣均欢迎投递： 1. 多层次记忆的构建与管理 2. 多模态记忆的嵌入与召回 3. 时间敏感的记忆调度策略 4. 记忆智能体（Memory Agent）的构建