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": "LLM Agent算法实习生",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "雷火事业群",
"location": "杭州市",
"work_mode": "未披露",AI生成
"job_category": "人工智能"AI生成
},
"company": {
"company_name": "网易",
"company_industry": "互联网 / 游戏 / 数字内容",
"company_size": "10000人以上",
"company_website": "netease.com",
"company_description": "网易提供互联网和游戏服务，并通过有道、网易云音乐、网易严选等业务提供学习、音乐及消费服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 0,
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "Agent是LLM迈向AGI的核心演进路径，其核心价值在于构建能观察、会思考、会行动、可进化的自主问题解决实体，它需支撑游戏场景下NPC依据环境反馈动态调整策略、多工具协同完成长链路任务等。\n岗位职责：\n本岗位针对Agent课题进行研究，研究方向包括但不限于：\n1. 规划与推理：探索Agent在复杂任务下的任务拆解、多步推理、动态规划及反思优化等技术方案。\n2. 评估与数据：探索多步Agent轨迹评估、端到端评测方案；研究高质量轨迹、偏好反馈数据的构建方式。\n3. 记忆机制：探索Agentic Memory的构建和应用方式。",
"requirements_text": "1. 对深度学习、LLM有深入的理解和实践经历。\n2. 有Agent构建、工具设计、任务规划和推理等方向的研究或实践经验。\n3. 对Agent前沿研究保持敏锐关注，熟悉Post-training、Harness、Agentic Memory、Agentic Search等技术。\n4. 自驱力强，善于思考，给定课题能够进行深入研究和顶会论文发表。\n加分项：\n1. 在人工智能的顶级会议(如：ICLR、NeurIPS、ICML、ACL等）上发表过论文（一作）。\n2. 有大语言模型Pre-training、Post-training及Agent框架的研究或实践经验。\n3. 参与过开源Agent项目或有过复杂业务场景的Agent落地经验。",
"skills": [AI生成
"深度学习",
"大语言模型"
],
"preferred_qualifications": "加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://hr.163.com/job-detail.html?id=71290&lang=zh"
}
]
},
"posting": {
"posting_id": "71290",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://hr.163.com/job-detail.html?id=71290&lang=zh"
},
"fulltext": "LLM Agent算法实习生\n职位描述\nAgent是LLM迈向AGI的核心演进路径，其核心价值在于构建能观察、会思考、会行动、可进化的自主问题解决实体，它需支撑游戏场景下NPC依据环境反馈动态调整策略、多工具协同完成长链路任务等。\n岗位职责：\n本岗位针对Agent课题进行研究，研究方向包括但不限于：\n1. 规划与推理：探索Agent在复杂任务下的任务拆解、多步推理、动态规划及反思优化等技术方案。\n2. 评估与数据：探索多步Agent轨迹评估、端到端评测方案；研究高质量轨迹、偏好反馈数据的构建方式。\n3. 记忆机制：探索Agentic Memory的构建和应用方式。\n\n职位要求\n1. 对深度学习、LLM有深入的理解和实践经历。\n2. 有Agent构建、工具设计、任务规划和推理等方向的研究或实践经验。\n3. 对Agent前沿研究保持敏锐关注，熟悉Post-training、Harness、Agentic Memory、Agentic Search等技术。\n4. 自驱力强，善于思考，给定课题能够进行深入研究和顶会论文发表。\n加分项：\n1. 在人工智能的顶级会议(如：ICLR、NeurIPS、ICML、ACL等）上发表过论文（一作）。\n2. 有大语言模型Pre-training、Post-training及Agent框架的研究或实践经验。\n3. 参与过开源Agent项目或有过复杂业务场景的Agent落地经验。\nAgent是LLM迈向AGI的核心演进路径，其核心价值在于构建能观察、会思考、会行动、可进化的自主问题解决实体，它需支撑游戏场景下NPC依据环境反馈动态调整策略、多工具协同完成长链路任务等。\n岗位职责：\n本岗位针对Agent课题进行研究，研究方向包括但不限于：\n1. 规划与推理：探索Agent在复杂任务下的任务拆解、多步推理、动态规划及反思优化等技术方案。\n2. 评估与数据：探索多步Agent轨迹评估、端到端评测方案；研究高质量轨迹、偏好反馈数据的构建方式。\n3. 记忆机制：探索Agentic Memory的构建和应用方式。\n1. 对深度学习、LLM有深入的理解和实践经历。\n2. 有Agent构建、工具设计、任务规划和推理等方向的研究或实践经验。\n3. 对Agent前沿研究保持敏锐关注，熟悉Post-training、Harness、Agentic Memory、Agentic Search等技术。\n4. 自驱力强，善于思考，给定课题能够进行深入研究和顶会论文发表。\n加分项：\n1. 在人工智能的顶级会议(如：ICLR、NeurIPS、ICML、ACL等）上发表过论文（一作）。\n2. 有大语言模型Pre-training、Post-training及Agent框架的研究或实践经验。\n3. 参与过开源Agent项目或有过复杂业务场景的Agent落地经验。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}