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": "大模型算法工程师（Agent方向）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "音乐事业部",
"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": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、负责智能体（AI Agent）相关核心算法的研究与实现，构建具备多模态理解、规划、记忆、工具调用和任务执行能力的自主智能体体系；\n2、参与大语言模型（LLM）在多轮对话、任务分解、知识检索、动作执行等环节的能力增强与优化；\n3、设计并实现智能体的推理框架（Reasoning Framework），包括上下文记忆、长短期记忆融合（STM/LTM）、反思机制（Reflection Loop）、以及基于反馈的自我迭代策略；\n4、负责Agent系统的工具生态构建，包括函数调用(Function Calling)、插件集成(Plugin Integration)、知识库检索(RAG)等，提升模型的可操作性与可解释性；\n5、跟进业界前沿的大模型与Agent技术（如OpenAI o1、Anthropic Claude、MCP、LangChain、AutoGPT、OpenDevin等），并探索其在社交、内容、推荐、AIGC、商业化等场景的落地路径；\n6、分析与解决模型在多轮推理、长上下文记忆、工具调用策略优化等过程中的技术瓶颈；\n7、与产品、平台及算法团队紧密协作，将Agent能力嵌入真实业务流程中，并通过数据反馈实现持续演化。",
"requirements_text": "1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历；\n2、扎实的机器学习与深度学习理论基础，熟悉Transformer、LLM训练范式（SFT、RLHF、DPO、RAG、LoRA等）；\n3、精通Python，熟悉至少一种主流框架（PyTorch/TensorFlow），有Agent框架（LangChain、LlamaIndex、AutoGPT等）使用或开发经验；\n4、熟悉大语言模型的系统优化与部署流程，包括推理加速、分布式并行（Data/Model/Pipeline Parallel）、Prompt Engineering等；\n5、具备较强的工程实现与问题解决能力，能快速在实际场景中实现智能体任务执行闭环；\n6、具有良好的跨团队沟通能力与创新精神，能够从算法到产品形成完整落地路径。\n\n【优先条件】\n1、对Qwen（通义千问）系列或其他主流开源大模型（如Llama、Mistral、Yi、GLM、InternLM等）有深入理解或微调经验者优先；\n2、熟悉智能体框架（如LangChain、CrewAI、LlamaIndex、AutoGPT、OpenDevin、MCP框架等），对工具调用、任务规划、记忆系统有实际开发经验者优先；\n3、具备强化学习（RL）、规划与控制（Planning & Control）或多智能体系统（Multi-Agent System）经验者优先；\n4、在NeurIPS、ICLR、ACL、AAAI等顶级会议或期刊上发表过相关论文者优先；\n5、有大规模工程化经验（Kubernetes、Ray、Hadoop、Spark等）或构建过智能体服务平台者优先；\n6、对AI开源社区有贡献者（如GitHub项目、技术博客、开源框架PR）优先。 ",
"skills": [AI生成
"Python",
"Kubernetes",
"Spark",
"Hadoop",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"强化学习",
"沟通能力",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "【优先条件】；1、对Qwen（通义千问）系列或其他主流开源大模型（如Llama、Mistral、Yi、GLM、InternLM等）有深入理解或微调经验者优先；2、熟悉智能体框架（如LangChain、CrewAI、LlamaIndex、AutoGPT、OpenDevin、MCP框架等），对工具调用、任务规划、记忆系统有实际开发经验者优先；3、具备强化学习（RL）、规划与控制（Planning & Control）或多智能体系统（Multi-Agent System）经验者优先；4、在NeurIPS、ICLR、ACL、AAAI等顶级会议或期刊上发表过相关论文者优先；5、有大规模工程化经验（Kubernetes、Ray、Hadoop、Spark等）或构建过智能体服务平台者优先；6、对AI开源社区有贡献者（如GitHub项目、技术博客、开源框架PR）优先",
"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=71337&lang=zh"
}
]
},
"posting": {
"posting_id": "71337",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://hr.163.com/job-detail.html?id=71337&lang=zh"
},
"fulltext": "大模型算法工程师（Agent方向）\n职位描述\n1、负责智能体（AI Agent）相关核心算法的研究与实现，构建具备多模态理解、规划、记忆、工具调用和任务执行能力的自主智能体体系；\n2、参与大语言模型（LLM）在多轮对话、任务分解、知识检索、动作执行等环节的能力增强与优化；\n3、设计并实现智能体的推理框架（Reasoning Framework），包括上下文记忆、长短期记忆融合（STM/LTM）、反思机制（Reflection Loop）、以及基于反馈的自我迭代策略；\n4、负责Agent系统的工具生态构建，包括函数调用(Function Calling)、插件集成(Plugin Integration)、知识库检索(RAG)等，提升模型的可操作性与可解释性；\n5、跟进业界前沿的大模型与Agent技术（如OpenAI o1、Anthropic Claude、MCP、LangChain、AutoGPT、OpenDevin等），并探索其在社交、内容、推荐、AIGC、商业化等场景的落地路径；\n6、分析与解决模型在多轮推理、长上下文记忆、工具调用策略优化等过程中的技术瓶颈；\n7、与产品、平台及算法团队紧密协作，将Agent能力嵌入真实业务流程中，并通过数据反馈实现持续演化。\n\n职位要求\n1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历；\n2、扎实的机器学习与深度学习理论基础，熟悉Transformer、LLM训练范式（SFT、RLHF、DPO、RAG、LoRA等）；\n3、精通Python，熟悉至少一种主流框架（PyTorch/TensorFlow），有Agent框架（LangChain、LlamaIndex、AutoGPT等）使用或开发经验；\n4、熟悉大语言模型的系统优化与部署流程，包括推理加速、分布式并行（Data/Model/Pipeline Parallel）、Prompt Engineering等；\n5、具备较强的工程实现与问题解决能力，能快速在实际场景中实现智能体任务执行闭环；\n6、具有良好的跨团队沟通能力与创新精神，能够从算法到产品形成完整落地路径。\n\n【优先条件】\n1、对Qwen（通义千问）系列或其他主流开源大模型（如Llama、Mistral、Yi、GLM、InternLM等）有深入理解或微调经验者优先；\n2、熟悉智能体框架（如LangChain、CrewAI、LlamaIndex、AutoGPT、OpenDevin、MCP框架等），对工具调用、任务规划、记忆系统有实际开发经验者优先；\n3、具备强化学习（RL）、规划与控制（Planning & Control）或多智能体系统（Multi-Agent System）经验者优先；\n4、在NeurIPS、ICLR、ACL、AAAI等顶级会议或期刊上发表过相关论文者优先；\n5、有大规模工程化经验（Kubernetes、Ray、Hadoop、Spark等）或构建过智能体服务平台者优先；\n6、对AI开源社区有贡献者（如GitHub项目、技术博客、开源框架PR）优先。 \n1、负责智能体（AI Agent）相关核心算法的研究与实现，构建具备多模态理解、规划、记忆、工具调用和任务执行能力的自主智能体体系；\n2、参与大语言模型（LLM）在多轮对话、任务分解、知识检索、动作执行等环节的能力增强与优化；\n3、设计并实现智能体的推理框架（Reasoning Framework），包括上下文记忆、长短期记忆融合（STM/LTM）、反思机制（Reflection Loop）、以及基于反馈的自我迭代策略；\n4、负责Agent系统的工具生态构建，包括函数调用(Function Calling)、插件集成(Plugin Integration)、知识库检索(RAG)等，提升模型的可操作性与可解释性；\n5、跟进业界前沿的大模型与Agent技术（如OpenAI o1、Anthropic Claude、MCP、LangChain、AutoGPT、OpenDevin等），并探索其在社交、内容、推荐、AIGC、商业化等场景的落地路径；\n6、分析与解决模型在多轮推理、长上下文记忆、工具调用策略优化等过程中的技术瓶颈；\n7、与产品、平台及算法团队紧密协作，将Agent能力嵌入真实业务流程中，并通过数据反馈实现持续演化。\n1、计算机科学、人工智能、电子工程或相关专业硕士及以上学历；\n2、扎实的机器学习与深度学习理论基础，熟悉Transformer、LLM训练范式（SFT、RLHF、DPO、RAG、LoRA等）；\n3、精通Python，熟悉至少一种主流框架（PyTorch/TensorFlow），有Agent框架（LangChain、LlamaIndex、AutoGPT等）使用或开发经验；\n4、熟悉大语言模型的系统优化与部署流程，包括推理加速、分布式并行（Data/Model/Pipeline Parallel）、Prompt Engineering等；\n5、具备较强的工程实现与问题解决能力，能快速在实际场景中实现智能体任务执行闭环；\n6、具有良好的跨团队沟通能力与创新精神，能够从算法到产品形成完整落地路径。\n\n【优先条件】\n1、对Qwen（通义千问）系列或其他主流开源大模型（如Llama、Mistral、Yi、GLM、InternLM等）有深入理解或微调经验者优先；\n2、熟悉智能体框架（如LangChain、CrewAI、LlamaIndex、AutoGPT、OpenDevin、MCP框架等），对工具调用、任务规划、记忆系统有实际开发经验者优先；\n3、具备强化学习（RL）、规划与控制（Planning & Control）或多智能体系统（Multi-Agent System）经验者优先；\n4、在NeurIPS、ICLR、ACL、AAAI等顶级会议或期刊上发表过相关论文者优先；\n5、有大规模工程化经验（Kubernetes、Ray、Hadoop、Spark等）或构建过智能体服务平台者优先；\n6、对AI开源社区有贡献者（如GitHub项目、技术博客、开源框架PR）优先。 ",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}