Agent在线强化学习-阿里星/T-Star

课题背景：淘天业务平台承载亿级用户的交易、营销、导购等核心链路，面临全球最复杂的在线决策挑战：双11峰值数十万QPS、分钟级故障处置窗口、大促规则年年迭代带来的分布漂移、研发变更与运维保障的目标冲突。现有基于规则引擎和离线模型的智能化手段已触及天花板——规则无法覆盖组合爆炸的决策空间，离线模型部署即过时，孤立的运维/研发/业务知识无法形成合力。 本课题旨在构建全球首个本体知识增强 × 在线安全强化学习 × 模型能力自进化三位一体的智能体系统，在淘天真实大促场景中实现从""人工经验驱动""到""数据-知识-决策闭环自主进化""的范式跃迁。 ——从人工经验到自主进化：面向淘天业务平台全链路智能决策与运维系统的在线强化学习范式 核心问题： ● 构建一个能在非平稳、高风险、知识密集的在线环境中持续安全学习并自主进化决策能力的智能体 研究内容包括：

1. 01

   基于本体知识驱动的在线安全强化学习框架：让领域知识成为RL的""骨架""而非""旁注""，在生产环境中安全地在线学习，解决生产环境RL的样本效率低、安全无保障、奖励设计难的问题

2. 02

   LLM-RL协同的全链路智能决策与运维系统：基于LLM、在线策略强化学习、本体常识约束，打造生产级决策与运维系统

3. 03

   面向业务演进的模型能力自进化机制：构建多层进化循环机制，包括跨大促元学习、单次大促内的持续适应，以及实时决策与反馈的闭环，交付跨大促的元学习快速适应算法，实现策略-本体双向进化的闭环构建。 岗位职责：

4. 01

   理论研究：负责本体约束的在线强化学习框架建模，并进行理论证明、自进化的收敛性分析

5. 02

   算法开发：设计并实现本体增强的安全在线RL算法族、LLM-RL协同决策算法、跨大促Meta-RL与经验固化算法

6. 03

   场景落地：在双11/618等真实大促中验证系统效果；与SRE/研发团队协作确保决策可信赖；量化评估业务价值

硬性要求： ● 计算机科学、人工智能、运筹学、自动化等相关方向博士 ● 扎实的强化学习理论功底，精通主流RL算法（Policy Gradient/PPO/GRPO及其变体），有实际实现与调优经验 ● 熟练Python + PyTorch，具备生产级代码交付能力 ● 在ICML/NeurIPS/ICLR/AAAI/ACL/WWW等顶会有一作或共同一作论文发表，或有等价的突出研究成果 优先条件： ● 包括安全强化学习、在线学习、元学习、多智能体，了解本体工程、神经符号推理，有LLM与决策系统结合的研究经验，了解大规模分布式系统、AIOps、SRE相关背景知识，有扎实的数学功底，包括优化理论、概率论、随机过程功底扎实，能独立完成定理证明 素质要求： ● 第一性原理思维： 能从问题本质出发设计方案，而非套用现有方法 ● 理论与实践并重： 既能推公式证定理，也能写出高质量生产代码 ● 大促体感： 对""安全红线""有敬畏心，理解生产环境不允许trial-and-error ● 跨域学习能力： 愿意深入理解业务/运维/研发领域知识，而非将其视为黑箱 ● 长期主义： 认同""自进化""的愿景，愿意用3年时间构建有壁垒的系统 我们提供：

1. 01

   丰富的数据：淘天历次大促全链路运维/研发/业务数据，全球独一无二

2. 02

   顶级的场景：双11/618，全球最大规模在线决策试验场

3. 03

   充足的算力：GPU/CPU集群支持大规模RL训练与模拟

4. 04

   成熟的基础设施：成熟的监控/追踪/日志/变更管控平台作为感知与执行底座

5. 05

   密切的协作：与平台SRE、研发、业务团队的直接协作通道

6. 06

   导师：配备顶级业务+技术双导师，定期进行学术交流 加入我们一起构建面向下一个十年的智能决策范式！