混元-面向大模型后训练Agent能力的数据策略研究

课题背景： 随着大模型Agent能力的快速演进，Agent场景下的多轮交互、长链路规划及工具调用对后训练（SFT+RL）阶段的数据质量与多样性提出了极高要求。团队当前正深度打造混元大模型的Agent能力，支持OpenClaw、QClaw等面向真实用户的智能体产品，这些场景对模型的工具调用准确性、长链路任务规划能力及探索效率有极高的落地标准。当前Agent训练数据在复杂轨迹覆盖、探索效率、任务多样性等方面面临诸多挑战，本课题旨在通过研究高效的Agent数据生产、自动化质检与评测驱动的数据飞轮机制，持续提升产品级Agent核心能力、降低数据迭代成本、加速技术从研究到产品的闭环落地过程。 课题挑战：

1. 01

   Agent轨迹/环境生产与质检：基于多智能体博弈与复杂轨迹生成技术，研究面向Agent场景的高质量数据自动化生产方案，并设计自动化质检与定向修复算法，确保数据在多轮交互一致性、工具调用准确性、思维链质量等维度达到高标准；

2. 02

   评测驱动的数据飞轮机制：设计科学的Agent能力自动化评测方案，通过深度剖析模型在探索效率、工具使用、长链路规划等实际任务中的弱项，构建"评测发现问题—数据定向强化—效果闭环提升"的数据飞轮，实现模型能力的持续迭代优化；

3. 03

   前沿数据技术追踪与转化：持续跟踪Agent数据合成、复杂轨迹构建、多模态与多智能体互动等前沿方向，结合业务实际提出优化方案，将研究成果转化为可落地的业务价值。 具体工作： Agent场景下SFT、RL复杂轨迹/环境的数据合成与自动化质检；Agent能力的自动化评测能力与数据飞轮；Agent RL数据的前沿方向研究与在Openclaw、Qclaw等核心场景的落地。

1. 01

   计算机科学、人工智能等相关专业硕士及以上学历；

2. 02

   熟悉大语言模型训练原理（Transformer架构、RLHF、LLM Alignment等），拥有大模型数据工程或模型训练实际项目经验，在顶会（NeurIPS、ICLR、ICML、ACL等）发表论文或在开源社区有高影响力贡献者优先；

3. 03

   深入实践过ReAct、Reflexion等前沿Agent推理框架，能够系统性优化Agent思维链质量、工具调用鲁棒性及环境反馈准确性；

4. 04

   熟练使用Python、PyTorch等语言及工具，具备快速阅读和复现论文的能力，熟悉Agentic Workflow；

5. 05

   具备强烈的数据敏感度与技术热情，拥有优秀的跨团队（模型、评测）协作与沟通能力。