腾讯营销—面向研效与营销全链路的 Agentic 智能工作流构建

课题背景： 腾讯营销业务链路长、系统异构、知识分散：无论是研效交付Agent（SPEC 平台，覆盖需求澄清、技术方案生成与评审、代码生成与评审、MR、CI/CD 的全流程研发交付），还是销售Agent（面向销售的线索采集—外呼—网销—转化全链路 Agent 工作流），每个场景都需要 AI 在长链路、多工具、多角色协同的动态环境中自主完成复杂决策。传统的单点模型或规则引擎难以应对"任务多变、工具异构、流程需动态编排"的真实工作流，也难以在长程任务中保持稳定的目标一致性与可靠的执行质量。这类问题天然适合 Agentic AI：模型不仅要"理解意图"，还要能自主规划任务（Planner）、编排调用异构工具、协同多个专家 Agent，并在真实业务反馈（转化率、采纳率、过审率、成功率等）中持续修正与进化。本课题聚焦构建面向研效与营销全链路的智能工作流 Agent 体系，探索 LLM 在任务规划（Planning）、工具调用（Tool Use）、多智能体协同（Multi-Agent）、记忆与反思（Memory & Reflection）、自动纠偏等方向的关键能力，让 AI 从"回答单个问题"走向"端到端完成复杂工作流"的智能体闭环。对真正想做 Agent 的同学，这是一个问题足够难、场景足够真实、反馈足够可量化、落地空间足够大的方向：既有前沿研究价值，也能直接服务腾讯营销的大规模生产场景。 工作内容：

1. 01

   研究面向研效、销售等工作流的 Agent 技术，设计并实现具备任务规划（Planner）、工具编排、人与智能体协同、多智能体协同与自主反思能力的智能工作流核心框架；

2. 02

   负责研效AI、销售AI等业务场景中 Agentic AI 关键技术的探索与落地，包括 Context Engineering、RAG、知识图谱、Function Calling/Tool Use、Planning、Multi-Agent 协同、Self-Reflection、自动纠偏等能力建设；

3. 03

   围绕需求流转与代码交付、销售线索转化等典型工作流，构建从意图理解、任务拆解、工具调用到结果评测、效果沉淀与自我优化的完整算法链路；

4. 04

   推动智能工作流 Agent 在真实研效与销售场景中的效果优化与生产应用，提升长程任务解决率、执行准确率、转化/采纳等业务指标、可解释性与迭代效率；

1. 01

   硕士研究生及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业；

2. 02

   扎实的机器学习、深度学习基础，熟悉 PyTorch/TensorFlow 等训练框架，具备大模型训练、微调与推理优化经验；

3. 03

   对 Agent 相关技术有深入理解，熟悉 Skills、上下文管理、Memory、Function Calling/Tool Use、Planning、Reflection、Multi-Agent 等；

4. 04

   在 NeurIPS/ICML/ICLR/ACL/EMNLP/CVPR/KDD 等顶会发表相关论文，或有高质量开源项目、独立 Agent 系统开发经验者优先。