（27届 ASP）AI-购物Agent算法工程师

你将加入电商 AI Agent 核心团队，参与构建面向全球市场的 AI 原生购物 Agent。我们的目标不只是做一个"能聊商品的对话助手"，而是让 Agent 真正接管从需求表达、商品发现到购买决策的完整链路，推动电商从“人找货”走向“Agent 替人决策”，将一个真实的购买任务完整托付给 AI。 具体职责包括： Agent 核心架构 设计并实现意图理解、任务规划与编排、多轮对话管理等关键模块，将开放的自然语言购物需求转化为可执行的多步检索与决策任务。 研发上下文工程与记忆机制：长任务下的上下文组织与压缩、用户偏好与会话状态的分层记忆、跨会话的个性化建模，解决长程任务中的信息遗忘与注意力发散问题。 构建 Agent 工具调用层，设计 Agent 与检索、交易等下游系统之间的结构化接口协议，保障结构化输出可靠性、异常降级与全链路可观测性。 多源Agentic Search 建设十亿级商品规模的统一检索层，覆盖商品索引与商品知识库，设计多路召回、跨源结果融合与面向 Agent 的结构化查询接口。 构建级联排序与相关性体系：从召回、粗排、精排到 LLM 重排，在相关性质量、线上延迟与推理成本之间做系统性权衡。 从检索结果到生成结论的 grounding 与 attribution 机制，保证 Agent 的每个论断可回溯至数据源；建设证据质量评估、来源可信度建模、去噪与跨源冲突消解能力。 全链路模型后训练 针对 Agent 系统中的规划与对话主模型、意图解析与结构化输出模型、检索与排序模型、评测 Judge 模型等，设计并实施差异化的后训练方案，补齐各角色的能力短板。 构建高质量训练数据管线：指令数据合成与筛选、Agent 轨迹数据的采集与清洗、基于 LLM 的规模化自动标注。 覆盖后训练全流程：SFT、偏好对齐与强化学习、奖励模型设计、大模型能力向轻量模型的蒸馏，以及推理加速与部署落地；重点解决领域适配、复杂指令遵循、结构化输出可靠性与长上下文稳定性等问题。 评测体系 设计科学的量化评估框架，覆盖端到端任务完成质量、检索与证据可信度、延迟与成本等维度，界定离线评估与在线实验各自的适用边界。 建设 LLM-as-Judge 评测链路：评分标准（rubric）定义、与人工标注的对齐校准、大规模自动化评估与持续质量审计，研究 judge 的偏差识别与鲁棒性提升。 前沿技术探索 探索 Agent 能力前沿：agentic RL、过程/结果奖励设计、长程任务的记忆机制与上下文管理、推理密集型检索、agentic search 与多跳信息聚合等

学历背景：计算机、人工智能、信息检索、机器学习等相关专业全日制在读硕士或博士，2027 年毕业。 编程与工程能力：扎实的 Python/C++/Java 基础，熟悉大模型数据构建、训练、评测、部署及原型开发全流程。 技术理解：了解智能体与检索系统关键技术栈，包括但不限于：任务规划与编排（Task Planning & Orchestration）、工具调用（Function Calling / MCP）、上下文工程与记忆机制（Context Engineering / Memory）、多 Agent 协作、检索增强生成（RAG）与向量检索、模型后训练（SFT / 偏好对齐 / 强化学习）、模型蒸馏、LLM-as-Judge 评测等。 系统设计意识：对搜索/推荐系统架构、高并发在线服务、数据管线有基本认知，能从架构层面思考 Agent 的工程实现。 综合素质：优秀的分析问题能力与团队协作精神，对 AI 前沿技术保持强烈好奇心与自驱力。 加分项 有大模型后训练实践经验，熟悉数据合成与筛选、奖励建模、模型蒸馏或高效推理部署。 有搜索/推荐/广告系统的实习或项目经验，熟悉召回-粗排-精排级联架构或相关性建模。 有实际 Agent / Copilot / 自动化工具开发经验，尤其涉及多工具编排、结构化输出或检索增强生成。 在顶会（NeurIPS、ICML、ICLR、ACL、EMNLP、SIGIR、KDD、WWW、RecSys 等）发表论文或有知名开源项目贡献。 有竞赛获奖经历