Agent/大模型算法工程师-国际化智能审核

基于VLM/Agent等 AI 能力，融合图文/视频笔记的文本、图像、视频、音频等多维度信号，覆盖笔记、评论、账号、交易、直播等多体裁场景的国际化内容风险识别与处置，持续提升主动召回能力，实现风险、体验、效率的协同优化。

建立并持续演进 Rednote 的内容特征体系与内容分级系统，输出结果应用于治理中的处置判罚、以及搜推流控等核心链路，为 Rednote 全球生态的内容质量与安全构建长期竞争壁垒。

负责面向 Rednote 治理、内容理解、编辑等核心场景的 Agent 系统端到端研发，涵盖 ReAct / Tool Use / Multi-Agent 架构、意图理解与任务规划；深度参与 Agent 效果优化——从工具设计、上下文管理、编排策略到 Agentic RL 的 Post-Training，产出效果领先的 产品。

深度参与LLM/VLM 的预训练、SFT、RL 等全链路训练，参与构建多模态内容理解、编辑、生成等 AI 基础能力，推动 AI 从技术到业务价值的闭环落地。

持续追踪AI Agent领域的最新进展，引入并验证新技术的可行性，沉淀技术文档与最佳实践，推动前沿技术在rednote业务中的应用，保持团队的技术领先性；，沉淀国际顶会论文（CVPR/NeurIPS/ICLR/ACL 等）

硕士及以上学历，计算机科学与技术、人工智能、计算机、机器学习、大数据、数学等相关专业;

对大模型和Agent有较深入的理解，熟悉常见的LLM实施模式、PE、RAG、评估框架等，熟悉主流 Agent 架构（Multi-Agent、Context Engineering/Management、ReAct/PlanAct/CodeAct），了解Agent相关的交互协议（MCP、A2A、FunctionCall）；

熟悉Agentic RL等方法，了解相关 Infra（例如CodeRL，Reward System），能针对特定问题开展SFT、RL训练优化；

具备良好的学术视野和开拓精神，勇于钻研新技术，能主动思考、主动作为反馈。有CVPR/ICCV/NeurIPS/ICLR/ACL/EMNLP/KDD 等顶会论文发表经历更佳