腾讯营销一商业化广告创意Agent构建

课题背景： 广告创意生产高度依赖资深专家的个人经验，策略难复现、知识难沉淀、迭代周期长。随着LLM/MLLM能力的快速演进，构建一个能够理解品牌诉求、拆解创意策略、统筹多模态生成工具、并根据投放数据自我进化的创意Agent，成为破解上述瓶颈的关键路径。创意Agent的本质不是单一生成模型，而是一个具备策略思维、审美判断、工具编排与数据反思能力的智能决策体——它需要理解品牌定位与营销目标（Context Engineering），从优秀案例中检索归因成功要素（RAG），调用多模态生成模型产出素材（Tool Use），结合投放数据反向诊断创意质量（Self-Reflection），在持续闭环中实现自主进化。对于对Agent技术与AIGC交叉方向感兴趣的同学，这是一个把前沿Agent研究与真实商业闭环深度结合的课题，成果兼具研究价值与规模化落地空间。 工作内容：

1. 01

   研究基于LLM/MLLM的广告创意Agent技术，设计并实现具备创意策略拆解、素材生成编排、投放效果诊断、自主反思与持续迭代能力的Agent核心框架，打通"需求理解→策略生成→素材生产→效果归因→策略修正"的完整智能体闭环；

2. 02

   负责广告创意场景中Agentic AI关键技术的探索与落地，包括Context Engineering（品牌知识图谱、Brief结构化、投放上下文建模）、RAG与案例推理、多模态生成工具调用与编排、Self-Reflection与自动纠偏、Multi-Agent协同等能力建设；

3. 03

   围绕品牌定位解读、卖点提炼、受众洞察、创意方向决策等环节，构建从Brief解析、竞品创意分析、创意方向推荐到A/B实验策略生成的完整推理链路，让Agent具备创意总监级别的策略思考能力；

4. 04

   构建多维创意质量评估体系（品牌一致性、视觉吸引力、信息传达效率、合规性等），结合投放数据和人工反馈建立Reward Model，通过RLHF等对齐手段持续提升Agent的创意决策质量与素材投放效果；

5. 05

   跟进Agent、LLM推理增强、多模态内容理解与生成、对齐优化等方向的前沿技术进展，结合广告创意场景提出技术创新方案，沉淀高质量技术方案并产出有影响力的研究论文或技术成果。

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

   熟悉主流开源大模型，熟悉SFT、偏好对齐（RLHF/DPO等）、强化学习或其他模型迭代优化方法，能够结合业务场景设计可验证、可持续演进的训练与评测方案；

4. 04

   对Agent相关技术有深入理解，熟悉PE、RAG、Function Calling/Tool Use、Planning、Reflection、Memory、Multi-Agent等关键方法；

5. 05

   有AIGC、内容安全、搜索推荐、广告算法或复杂决策系统经验者优先；

6. 06

   在ACL/EMNLP/NeurIPS/ICML/ICLR/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。