AI算法工程师-AI Agents方向

1、负责代码智能体（Coding Agent）系统全流程研发：数据构建（代码语料清洗、代码/对话/工具轨迹标注）、预训练/持续预训练、指令微调（SFT）与后训练（DPO/ORPO/RLHF/RLAIF），在 HumanEval、MBPP、SWE-bench、RepoBench 等基准及业务集上达成目标。 2、基于主流 Agents 框架（LangChain、AutoGen、Agno 等）搭建具备规划、工具调用、记忆与多步推理能力的多代理系统，落地代码生成、调试与单测生成、仓库级理解、自动修复、PR 评审与CI修复等核心场景。 3、以 MCP（Model Context Protocol）为核心构建工具生态：设计与实现 MCP servers/tools，标准化接入代码搜索、编译/运行、CI/CD、Issue/PR、知识库与内部服务；支持安全沙箱执行与资源隔离，提升可观测与可维护性。 4、设计并优化 ReAct/Plan-Act/Tree-of-Thought 等推理策略及函数调用，结合 RAG（向量/符号/结构化检索与代码图）实现大规模代码库检索增强，支持跨文件、跨仓库的复杂问题求解。

1、计算机基础扎实，熟练使用 Python，至少掌握一门强类型语言（Go/Java/C++/Rust 优先）；熟悉 Git、Linux 与容器化开发。 2、熟悉主流 Agents 框架与范式：有 LangGraph/LangChain/AutoGen/LlamaIndex/CrewAI 之一的实战经验；理解 MCP 协议并能实现自定义 MCP 工具；熟悉 ReAct、RAG、Function Calling、Planner/Memory 等方法并能落地。 3、了解大模型训练与推理：可使用 PyTorch/DeepSpeed/Lightning/Colossal-AI 等完成 SFT/LoRA/QLoRA；理解后训练与对齐方法；熟悉 Transformers/vLLM/TGI 等高效推理与服务化。 4、具备良好的实验设计与问题定位能力，能分析 Agent 轨迹、工具失败率、检索召回与推理路径，提出可量化改进方案。 5、良好的沟通与团队协作能力，关注用户体验，能与产品/前端/平台协同推进落地。