主分类：大模型与生成式算法研发
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "游戏多模态Agent算法实习生 - AIGC",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "算法"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "本科及以上学历在读",
"language": "4、能阅读英文论文和开源代码，判断方法的适用条件、工程约束和真实落地价值，而非仅完成论文复现",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：游戏-AIGC部门，致力于将生成式AI落地到游戏中，包括但不限于模型、贴图、动画、场景、剧情、对话、玩法等游戏核心元素的AI生成和AI提效。部门近几年一直在游戏AI和数字人方向持续深耕，欢迎加入我们。\n\n日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。\n\n1、构建能够“看懂游戏、发现目标、制定计划、学习Skill并持续行动”的多模态游戏Agent；Agent将融合游戏画面、文本、结构化RPC状态和历史行为，在未知或弱先验环境中完成自主探索、机制学习与长程任务执行；\n2、聚焦多模态理解、目标生成、层级规划、Skill学习、长期Memory和决策评测方向，研究并实现基于LLM/VLM的游戏Agent决策框架，探索模型推理与搜索、行为树、状态机、强化学习等方法的有效结合；\n3、研究长程任务规划，将高层游戏目标分解为子目标和可调用Skill，并根据执行反馈进行重规划、回退和替代路径搜索；研究自主目标生成与探索策略，使Agent能够发现未探索区域、未完成任务、能力成长路径及尚未验证的游戏机制；构建Agent Skill学习与管理机制，支持从成功轨迹中总结Skill、从失败轨迹中修正执行条件，并评估Skill的泛化性、稳定性和组合效果；研究短期Memory、长期Memory、轨迹摘要和知识检索方法，在受限上下文中维持长期任务一致性并复用历史经验；\n4、建设离线与在线评测集，量化任务成功率、内容覆盖率、无效动作率、恢复能力、推理延迟和Token成本，通过对照实验定位问题并推动算法迭代；跟踪并复现GUI Agent、Computer Use、Game Agent、Embodied Agent、World Model等方向的论文与开源项目，判断技术成熟度并转化为可验证的游戏原型。",
"requirements_text": "1、本科及以上学历在读，计算机、人工智能、自动化等相关专业优先；\n2、每周可实习4天，可连续实习4–6个月，熟练使用Python，熟悉PyTorch或主流模型推理框架，具备独立实现和验证算法原型的能力；理解Transformer、LLM、VLM、Agent、强化学习中的至少两个方向；\n3、熟悉Planning、Tool Use、Skill、Memory等关键机制；对长程Agent问题有基本认识，能够分析误差累积、目标漂移、循环行为、上下文污染和奖励投机等典型问题；\n4、能阅读英文论文和开源代码，判断方法的适用条件、工程约束和真实落地价值，而非仅完成论文复现；具备良好的算法分析和实验能力，能够定义指标、设计对照实验、分析失败轨迹并推导优化方向；\n5、对游戏AI、具身智能或通用Agent方向有强烈兴趣，并愿意深入理解真实游戏机制。\n\n加分项\n1、有多模态模型、GUI Agent、Computer Use、游戏Agent或长程任务规划经验；\n2、熟悉ReAct、Reflection、MCTS、层级规划、行为树、World Model等方法；\n3、有Agent轨迹数据构建、SFT/RL训练、评测集建设或模型服务优化经验；\n4、研究过Skill Discovery、Skill Library、Episodic Memory或长期运行Agent；\n5、在相关方向发表过论文，或有高质量开源项目和可复现实验结果。",
"skills": [AI生成
"Python",
"PyTorch",
"React",
"强化学习",
"大语言模型"
],
"preferred_qualifications": "1、本科及以上学历在读，计算机、人工智能、自动化等相关专业优先；加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7673770598687066421/detail"
}
]
},
"posting": {
"posting_id": "7673770598687066421",
"post_date": "2026-08-14",
"hire_time": "2、每周可实习4天，可连续实习4–6个月，熟练使用Python，熟悉PyTorch或主流模型推理框架，具备独立实现和验证算法原型的能力",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7673770598687066421/detail"
},
"fulltext": "游戏多模态Agent算法实习生 - AIGC\n职位描述\n团队介绍：游戏-AIGC部门，致力于将生成式AI落地到游戏中，包括但不限于模型、贴图、动画、场景、剧情、对话、玩法等游戏核心元素的AI生成和AI提效。部门近几年一直在游戏AI和数字人方向持续深耕，欢迎加入我们。\n\n日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。\n\n1、构建能够“看懂游戏、发现目标、制定计划、学习Skill并持续行动”的多模态游戏Agent；Agent将融合游戏画面、文本、结构化RPC状态和历史行为，在未知或弱先验环境中完成自主探索、机制学习与长程任务执行；\n2、聚焦多模态理解、目标生成、层级规划、Skill学习、长期Memory和决策评测方向，研究并实现基于LLM/VLM的游戏Agent决策框架，探索模型推理与搜索、行为树、状态机、强化学习等方法的有效结合；\n3、研究长程任务规划，将高层游戏目标分解为子目标和可调用Skill，并根据执行反馈进行重规划、回退和替代路径搜索；研究自主目标生成与探索策略，使Agent能够发现未探索区域、未完成任务、能力成长路径及尚未验证的游戏机制；构建Agent Skill学习与管理机制，支持从成功轨迹中总结Skill、从失败轨迹中修正执行条件，并评估Skill的泛化性、稳定性和组合效果；研究短期Memory、长期Memory、轨迹摘要和知识检索方法，在受限上下文中维持长期任务一致性并复用历史经验；\n4、建设离线与在线评测集，量化任务成功率、内容覆盖率、无效动作率、恢复能力、推理延迟和Token成本，通过对照实验定位问题并推动算法迭代；跟踪并复现GUI Agent、Computer Use、Game Agent、Embodied Agent、World Model等方向的论文与开源项目，判断技术成熟度并转化为可验证的游戏原型。\n\n职位要求\n1、本科及以上学历在读，计算机、人工智能、自动化等相关专业优先；\n2、每周可实习4天，可连续实习4–6个月，熟练使用Python，熟悉PyTorch或主流模型推理框架，具备独立实现和验证算法原型的能力；理解Transformer、LLM、VLM、Agent、强化学习中的至少两个方向；\n3、熟悉Planning、Tool Use、Skill、Memory等关键机制；对长程Agent问题有基本认识，能够分析误差累积、目标漂移、循环行为、上下文污染和奖励投机等典型问题；\n4、能阅读英文论文和开源代码，判断方法的适用条件、工程约束和真实落地价值，而非仅完成论文复现；具备良好的算法分析和实验能力，能够定义指标、设计对照实验、分析失败轨迹并推导优化方向；\n5、对游戏AI、具身智能或通用Agent方向有强烈兴趣，并愿意深入理解真实游戏机制。\n\n加分项\n1、有多模态模型、GUI Agent、Computer Use、游戏Agent或长程任务规划经验；\n2、熟悉ReAct、Reflection、MCTS、层级规划、行为树、World Model等方法；\n3、有Agent轨迹数据构建、SFT/RL训练、评测集建设或模型服务优化经验；\n4、研究过Skill Discovery、Skill Library、Episodic Memory或长期运行Agent；\n5、在相关方向发表过论文，或有高质量开源项目和可复现实验结果。\n团队介绍：游戏-AIGC部门，致力于将生成式AI落地到游戏中，包括但不限于模型、贴图、动画、场景、剧情、对话、玩法等游戏核心元素的AI生成和AI提效。部门近几年一直在游戏AI和数字人方向持续深耕，欢迎加入我们。\n\n日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。\n\n1、构建能够“看懂游戏、发现目标、制定计划、学习Skill并持续行动”的多模态游戏Agent；Agent将融合游戏画面、文本、结构化RPC状态和历史行为，在未知或弱先验环境中完成自主探索、机制学习与长程任务执行；\n2、聚焦多模态理解、目标生成、层级规划、Skill学习、长期Memory和决策评测方向，研究并实现基于LLM/VLM的游戏Agent决策框架，探索模型推理与搜索、行为树、状态机、强化学习等方法的有效结合；\n3、研究长程任务规划，将高层游戏目标分解为子目标和可调用Skill，并根据执行反馈进行重规划、回退和替代路径搜索；研究自主目标生成与探索策略，使Agent能够发现未探索区域、未完成任务、能力成长路径及尚未验证的游戏机制；构建Agent Skill学习与管理机制，支持从成功轨迹中总结Skill、从失败轨迹中修正执行条件，并评估Skill的泛化性、稳定性和组合效果；研究短期Memory、长期Memory、轨迹摘要和知识检索方法，在受限上下文中维持长期任务一致性并复用历史经验；\n4、建设离线与在线评测集，量化任务成功率、内容覆盖率、无效动作率、恢复能力、推理延迟和Token成本，通过对照实验定位问题并推动算法迭代；跟踪并复现GUI Agent、Computer Use、Game Agent、Embodied Agent、World Model等方向的论文与开源项目，判断技术成熟度并转化为可验证的游戏原型。\n1、本科及以上学历在读，计算机、人工智能、自动化等相关专业优先；\n2、每周可实习4天，可连续实习4–6个月，熟练使用Python，熟悉PyTorch或主流模型推理框架，具备独立实现和验证算法原型的能力；理解Transformer、LLM、VLM、Agent、强化学习中的至少两个方向；\n3、熟悉Planning、Tool Use、Skill、Memory等关键机制；对长程Agent问题有基本认识，能够分析误差累积、目标漂移、循环行为、上下文污染和奖励投机等典型问题；\n4、能阅读英文论文和开源代码，判断方法的适用条件、工程约束和真实落地价值，而非仅完成论文复现；具备良好的算法分析和实验能力，能够定义指标、设计对照实验、分析失败轨迹并推导优化方向；\n5、对游戏AI、具身智能或通用Agent方向有强烈兴趣，并愿意深入理解真实游戏机制。\n\n加分项\n1、有多模态模型、GUI Agent、Computer Use、游戏Agent或长程任务规划经验；\n2、熟悉ReAct、Reflection、MCTS、层级规划、行为树、World Model等方法；\n3、有Agent轨迹数据构建、SFT/RL训练、评测集建设或模型服务优化经验；\n4、研究过Skill Discovery、Skill Library、Episodic Memory或长期运行Agent；\n5、在相关方向发表过论文，或有高质量开源项目和可复现实验结果。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}