主分类：Agent系统开发
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": "Agent算法实习生（EDA方向）（J103892）",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "ACG",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "百度",
"company_industry": "互联网 / 人工智能",
"company_size": "10000人以上",
"company_website": "baidu.com",
"company_description": "百度围绕搜索发展人工智能技术，业务涉及语音、图像、知识图谱、自然语言处理、自动驾驶和AI芯片。"
},
"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": "-研究面向布局布线、DRC 修复和 PPA 收敛等问题的自演化 Agent\n-将 EDA 任务构造成具备明确动作空间、评价指标和验证器的算法搜索环境\n-构建“方案生成—代码修改—工具执行—结果验证—经验沉淀”的 Agent 闭环\n-设计长期轨迹记忆和策略迁移机制，提升 Agent 在不同设计与任务间的泛化性和稳定性\n-探索 Agent 与 EDA 工具、MIP/CP/SAT 求解器及启发式算法的协同\n-将成果沉淀为新算法、Agent skill、代码模块、技术文档或研究论文",
"requirements_text": "-计算机、人工智能、运筹优化、应用数学、电子工程等相关专业在读\n-具备扎实的算法和代码能力，熟练使用 Python、C++ 中至少一种\n-熟悉 LLM Agent、AI Coding、组合优化或 EDA 中至少一个方向\n-能将复杂问题抽象为决策、约束、目标函数和验证器\n-具备良好的论文阅读、实验分析和独立研究能力\n-对通过 Agent 探索和突破专家算法边界有热情",
"skills": [AI生成
"Python",
"C++",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.baidu.com/jobs/detail/INTERN/b754d040-74ac-409d-98aa-4e97c4b4e6b5"
}
]
},
"posting": {
"posting_id": "b754d040-74ac-409d-98aa-4e97c4b4e6b5",
"post_date": "2026-07-29",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.baidu.com/jobs/detail/INTERN/b754d040-74ac-409d-98aa-4e97c4b4e6b5"
},
"fulltext": "Agent算法实习生（EDA方向）（J103892）\nAgent算法实习生（EDA方向）（J103892）\n\n基础信息\n部门：ACG\n地点：北京市\n项目：日常实习项目\n类别：技术\n招聘人数：2\n发布时间：2026-07-29\n\n工作职责\n-研究面向布局布线、DRC 修复和 PPA 收敛等问题的自演化 Agent\n-将 EDA 任务构造成具备明确动作空间、评价指标和验证器的算法搜索环境\n-构建“方案生成—代码修改—工具执行—结果验证—经验沉淀”的 Agent 闭环\n-设计长期轨迹记忆和策略迁移机制，提升 Agent 在不同设计与任务间的泛化性和稳定性\n-探索 Agent 与 EDA 工具、MIP/CP/SAT 求解器及启发式算法的协同\n-将成果沉淀为新算法、Agent skill、代码模块、技术文档或研究论文\n\n职责要求\n-计算机、人工智能、运筹优化、应用数学、电子工程等相关专业在读\n-具备扎实的算法和代码能力，熟练使用 Python、C++ 中至少一种\n-熟悉 LLM Agent、AI Coding、组合优化或 EDA 中至少一个方向\n-能将复杂问题抽象为决策、约束、目标函数和验证器\n-具备良好的论文阅读、实验分析和独立研究能力\n-对通过 Agent 探索和突破专家算法边界有热情\n-研究面向布局布线、DRC 修复和 PPA 收敛等问题的自演化 Agent\n-将 EDA 任务构造成具备明确动作空间、评价指标和验证器的算法搜索环境\n-构建“方案生成—代码修改—工具执行—结果验证—经验沉淀”的 Agent 闭环\n-设计长期轨迹记忆和策略迁移机制，提升 Agent 在不同设计与任务间的泛化性和稳定性\n-探索 Agent 与 EDA 工具、MIP/CP/SAT 求解器及启发式算法的协同\n-将成果沉淀为新算法、Agent skill、代码模块、技术文档或研究论文\n-计算机、人工智能、运筹优化、应用数学、电子工程等相关专业在读\n-具备扎实的算法和代码能力，熟练使用 Python、C++ 中至少一种\n-熟悉 LLM Agent、AI Coding、组合优化或 EDA 中至少一个方向\n-能将复杂问题抽象为决策、约束、目标函数和验证器\n-具备良好的论文阅读、实验分析和独立研究能力\n-对通过 Agent 探索和突破专家算法边界有热情",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}