主分类：大模型与生成式算法研发
辅助：AI模型评测工程（仅展示）
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": "LongCat - 大模型自进化与自动化研究智能体研究员",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "核心本地商业-基础研发平台",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "研发下一代自动化研究智能体系统，面向模型研发与高价值复杂研究任务，构建从问题发现、假设生成、实验执行到结果验证、经验沉淀、策略迭代的自进化闭环。提升模型在长周期任务中的自主规划和执行能力，减少对人工逐步指导的依赖，并将能力改进应用于模型训练与评测体系，形成持续迭代。\n\n1. 自动化研究智能体能力建设\n提升模型在复杂任务分解、长程推理、研究规划、工具使用、代码生成与执行、证据链整合、结果归因和研究报告生成中的闭环能力，面向真实模型研发任务验证效果。\n\n2. 长程上下文、记忆与状态管理\n设计 context scaling/compression、memory selection、任务状态追踪等机制，解决长周期任务中的一致性衰减、状态丢失和中断恢复问题。\n\n3. 可验证研究环境与自动实验闭环\n构建覆盖 search、browser、retrieval、code execution、training/eval job、sandbox 的交互式研究环境，将任务建模为可交互、可验证、可评分的闭环，支持自动实验编排、结果比对与版本回滚。\n\n4. 训练策略与反馈信号设计\n设计数据配方、环境反馈和 reward 信号体系，引导模型在事实正确性、工具调用可靠性和任务完成率上持续提升。\n\n5. 评测体系与错误分析闭环\n建设面向真实 research workflow 的 benchmark 与自动评测体系。系统性分析 Agent 的典型失败模式，针对性反哺到训练策略和 harness 优化。\n\n6. 研究经验沉淀与策略自进化\n将成功/失败任务轨迹沉淀为 research episode、skill 和 eval case 等可检索、可复用的自动研究策略库，支持 Agent 在后续任务中检索、复用和迭代。",
"requirements_text": "1. 扎实的算法功底，熟悉自然语言处理和机器学习技术，对大模型和AGI有信仰；\n2. 熟悉Python/Java等编程语言，动手能力强，ACM/ICPC、NOI/IOI等比赛获奖者优先；\n3. 熟悉PyTorch/Megtron/Huggingface/Triton/vLLM/SGLang等框架并有实际项目经验；\n4. 在领域内顶级会议或期刊发表过高水平论文，主导或参与过有影响力的开源项目，在权威评测或比赛中取得优秀名次者优先。",
"skills": [AI生成
"Python",
"Java",
"PyTorch",
"机器学习",
"自然语言处理",
"大语言模型"
],
"preferred_qualifications": "2. 熟悉Python/Java等编程语言，动手能力强，ACM/ICPC、NOI/IOI等比赛获奖者优先；4. 在领域内顶级会议或期刊发表过高水平论文，主导或参与过有影响力的开源项目，在权威评测或比赛中取得优秀名次者优先",
"job_highlights": "1. 团队扁平，人才密度高，在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文50余篇，团队成员先后荣获EMNLP outstanding paper、吴文俊人工智能奖科技进步奖、CCF科技成果奖、北京市科技进步奖等荣誉激励；\n2. 参与前沿强化学习技术探索，接触多智能体协同进化、模型自进化等创新方向；\n3. 充足算力和数据资源保障，长期有耐心，专注核心技术突破。"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4491091941&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4491091941",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4491091941&jobShareType=1"
},
"fulltext": "LongCat - 大模型自进化与自动化研究智能体研究员\nLongCat - 大模型自进化与自动化研究智能体研究员\n\n基础信息\n工作地点：北京市 / 上海市\n部门：核心本地商业-基础研发平台\n职位类别：技术类\n职位族群：算法\n更新时间：2026-05-28\n\n岗位职责\n研发下一代自动化研究智能体系统，面向模型研发与高价值复杂研究任务，构建从问题发现、假设生成、实验执行到结果验证、经验沉淀、策略迭代的自进化闭环。提升模型在长周期任务中的自主规划和执行能力，减少对人工逐步指导的依赖，并将能力改进应用于模型训练与评测体系，形成持续迭代。\n\n1. 自动化研究智能体能力建设\n提升模型在复杂任务分解、长程推理、研究规划、工具使用、代码生成与执行、证据链整合、结果归因和研究报告生成中的闭环能力，面向真实模型研发任务验证效果。\n\n2. 长程上下文、记忆与状态管理\n设计 context scaling/compression、memory selection、任务状态追踪等机制，解决长周期任务中的一致性衰减、状态丢失和中断恢复问题。\n\n3. 可验证研究环境与自动实验闭环\n构建覆盖 search、browser、retrieval、code execution、training/eval job、sandbox 的交互式研究环境，将任务建模为可交互、可验证、可评分的闭环，支持自动实验编排、结果比对与版本回滚。\n\n4. 训练策略与反馈信号设计\n设计数据配方、环境反馈和 reward 信号体系，引导模型在事实正确性、工具调用可靠性和任务完成率上持续提升。\n\n5. 评测体系与错误分析闭环\n建设面向真实 research workflow 的 benchmark 与自动评测体系。系统性分析 Agent 的典型失败模式，针对性反哺到训练策略和 harness 优化。\n\n6. 研究经验沉淀与策略自进化\n将成功/失败任务轨迹沉淀为 research episode、skill 和 eval case 等可检索、可复用的自动研究策略库，支持 Agent 在后续任务中检索、复用和迭代。\n\n岗位基本要求\n1. 扎实的算法功底，熟悉自然语言处理和机器学习技术，对大模型和AGI有信仰；\n2. 熟悉Python/Java等编程语言，动手能力强，ACM/ICPC、NOI/IOI等比赛获奖者优先；\n3. 熟悉PyTorch/Megtron/Huggingface/Triton/vLLM/SGLang等框架并有实际项目经验；\n4. 在领域内顶级会议或期刊发表过高水平论文，主导或参与过有影响力的开源项目，在权威评测或比赛中取得优秀名次者优先。\n\n岗位亮点\n1. 团队扁平，人才密度高，在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文50余篇，团队成员先后荣获EMNLP outstanding paper、吴文俊人工智能奖科技进步奖、CCF科技成果奖、北京市科技进步奖等荣誉激励；\n2. 参与前沿强化学习技术探索，接触多智能体协同进化、模型自进化等创新方向；\n3. 充足算力和数据资源保障，长期有耐心，专注核心技术突破。\n研发下一代自动化研究智能体系统，面向模型研发与高价值复杂研究任务，构建从问题发现、假设生成、实验执行到结果验证、经验沉淀、策略迭代的自进化闭环。提升模型在长周期任务中的自主规划和执行能力，减少对人工逐步指导的依赖，并将能力改进应用于模型训练与评测体系，形成持续迭代。\n\n1. 自动化研究智能体能力建设\n提升模型在复杂任务分解、长程推理、研究规划、工具使用、代码生成与执行、证据链整合、结果归因和研究报告生成中的闭环能力，面向真实模型研发任务验证效果。\n\n2. 长程上下文、记忆与状态管理\n设计 context scaling/compression、memory selection、任务状态追踪等机制，解决长周期任务中的一致性衰减、状态丢失和中断恢复问题。\n\n3. 可验证研究环境与自动实验闭环\n构建覆盖 search、browser、retrieval、code execution、training/eval job、sandbox 的交互式研究环境，将任务建模为可交互、可验证、可评分的闭环，支持自动实验编排、结果比对与版本回滚。\n\n4. 训练策略与反馈信号设计\n设计数据配方、环境反馈和 reward 信号体系，引导模型在事实正确性、工具调用可靠性和任务完成率上持续提升。\n\n5. 评测体系与错误分析闭环\n建设面向真实 research workflow 的 benchmark 与自动评测体系。系统性分析 Agent 的典型失败模式，针对性反哺到训练策略和 harness 优化。\n\n6. 研究经验沉淀与策略自进化\n将成功/失败任务轨迹沉淀为 research episode、skill 和 eval case 等可检索、可复用的自动研究策略库，支持 Agent 在后续任务中检索、复用和迭代。\n1. 扎实的算法功底，熟悉自然语言处理和机器学习技术，对大模型和AGI有信仰；\n2. 熟悉Python/Java等编程语言，动手能力强，ACM/ICPC、NOI/IOI等比赛获奖者优先；\n3. 熟悉PyTorch/Megtron/Huggingface/Triton/vLLM/SGLang等框架并有实际项目经验；\n4. 在领域内顶级会议或期刊发表过高水平论文，主导或参与过有影响力的开源项目，在权威评测或比赛中取得优秀名次者优先。",
"standard_classification": {
"std_category_code": "T010",
"std_aux_codes": [
"T015"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}