主分类：Agent系统开发
辅助：大模型与生成式算法研发（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": "资深大模型算法工程师（Agentic方向）",
"job_level": "高级",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": 3,
"degree": "硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 主导大模型智能体(Agent)系统的整体架构，围绕任务规划、工具调用、多步推理与自主决策等核心能力，推动 LLM Agent 在真实业务场景中高效落地。\n2. 负责 Agentic 大模型的后训练(Post-training)，通过 SFT、奖励模型(RM)训练、强化学习(RLHF/DPO/GRPO)等手段，系统性提升模型在复杂任务中的规划、工具使用准确性与长程一致性，解决多步推理中的错误累积与目标偏离。\n3. 构建 Agent 的分层记忆体系(结构化记忆、语义记忆、工作记忆)，结合 RAG 架构与向量检索优化，实现对用户偏好、历史交互与领域知识的高效检索与动态注入，支撑 Agent 的个性化与持续学习。\n4. 落地 Function Calling、API 调用、代码解释器集成与多模态工具协同，优化模型对外部工具的感知、选择与参数生成质量，提升 Agent 在跨系统任务中的自动化水平。\n5. 探索强化学习在 Agent 决策中的应用，结合过程奖励模型(PRM)、蒙特卡洛树搜索(MCTS)、多智能体协作等前沿方法，增强模型在开放场景下的探索、反思与纠错能力，提升任务完成率与鲁棒性。\n6. 与工程团队协作解决端到端延迟与资源效率问题，推动推理优化(量化、KV Cache 压缩、投机解码等)、任务调度与高并发架构设计，保障线上服务的稳定性与成本可控。",
"requirements_text": "1. 计算机、人工智能、数学等相关专业硕士及以上学历，3 年以上 NLP、对话系统或大模型算法落地经验，机器学习与深度学习基础扎实。\n2. 深入理解主流大模型架构(Qwen、LLaMA、ChatGLM 等)，精通后训练全流程，在 SFT、RLHF/DPO/GRPO 上有实际落地经验，熟悉 LoRA/QLoRA 等高效微调技术。\n3. 熟悉主流 Agent 范式(ReAct、Plan-and-Execute、Reflexion、Function Calling 等)，有 Agent 项目实战经验，能设计任务拆解、工具选择与结果验证的完整链路。\n4. 精通 RAG 系统工程化，掌握向量数据库(Milvus、Faiss 等)与混合检索策略(稀疏 + 稠密 + 重排序);有记忆管理或长期对话上下文建模经验者优先。\n5. 熟练掌握 Python 与 PyTorch/TensorFlow，熟悉 SQL 及大数据工具，熟悉主流推理引擎(vLLM、TensorRT-LLM 等)及性能调优手段。\n6. 逻辑思维与问题拆解能力强，对 Agent 领域开放性问题有研究热情，自驱力强，善于跨团队协作。\n\n加分项：\n• 有复杂 Agent 系统(AutoGPT、BabyAGI、LangChain/LlamaIndex)或智能体产品(Copilot、AI 助手、自动化工作流)的落地经验;\n• 有生成式检索、语义ID（VQ-VAE/RQ-VAE/深度哈希）、生成式搜推(T5-based Retrieval、GPT-Rec 等)落地经验;\n• 在 Agent 规划、工具学习、代码生成、RL 与 LLM 结合方向(RLHF、RLAIF、PRM)有深入研究成果或顶会论文(ACL、EMNLP、NeurIPS、ICML、KDD、RecSys、WWW 等);\n• 熟悉多智能体协作框架(CrewAI、AutoGen)或有大规模 Agent 评测体系设计经验",
"skills": [AI生成
"Python",
"SQL",
"PyTorch",
"TensorFlow",
"React",
"机器学习",
"深度学习",
"自然语言处理",
"数据库",
"性能调优",
"团队协作",
"逻辑思维",
"建模",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "有记忆管理或长期对话上下文建模经验者优先；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=74803&lang=zh"
}
]
},
"posting": {
"posting_id": "74803",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://hr.163.com/job-detail.html?id=74803&lang=zh"
},
"fulltext": "资深大模型算法工程师（Agentic方向）\n职位描述\n1. 主导大模型智能体(Agent)系统的整体架构，围绕任务规划、工具调用、多步推理与自主决策等核心能力，推动 LLM Agent 在真实业务场景中高效落地。\n2. 负责 Agentic 大模型的后训练(Post-training)，通过 SFT、奖励模型(RM)训练、强化学习(RLHF/DPO/GRPO)等手段，系统性提升模型在复杂任务中的规划、工具使用准确性与长程一致性，解决多步推理中的错误累积与目标偏离。\n3. 构建 Agent 的分层记忆体系(结构化记忆、语义记忆、工作记忆)，结合 RAG 架构与向量检索优化，实现对用户偏好、历史交互与领域知识的高效检索与动态注入，支撑 Agent 的个性化与持续学习。\n4. 落地 Function Calling、API 调用、代码解释器集成与多模态工具协同，优化模型对外部工具的感知、选择与参数生成质量，提升 Agent 在跨系统任务中的自动化水平。\n5. 探索强化学习在 Agent 决策中的应用，结合过程奖励模型(PRM)、蒙特卡洛树搜索(MCTS)、多智能体协作等前沿方法，增强模型在开放场景下的探索、反思与纠错能力，提升任务完成率与鲁棒性。\n6. 与工程团队协作解决端到端延迟与资源效率问题，推动推理优化(量化、KV Cache 压缩、投机解码等)、任务调度与高并发架构设计，保障线上服务的稳定性与成本可控。\n\n职位要求\n1. 计算机、人工智能、数学等相关专业硕士及以上学历，3 年以上 NLP、对话系统或大模型算法落地经验，机器学习与深度学习基础扎实。\n2. 深入理解主流大模型架构(Qwen、LLaMA、ChatGLM 等)，精通后训练全流程，在 SFT、RLHF/DPO/GRPO 上有实际落地经验，熟悉 LoRA/QLoRA 等高效微调技术。\n3. 熟悉主流 Agent 范式(ReAct、Plan-and-Execute、Reflexion、Function Calling 等)，有 Agent 项目实战经验，能设计任务拆解、工具选择与结果验证的完整链路。\n4. 精通 RAG 系统工程化，掌握向量数据库(Milvus、Faiss 等)与混合检索策略(稀疏 + 稠密 + 重排序);有记忆管理或长期对话上下文建模经验者优先。\n5. 熟练掌握 Python 与 PyTorch/TensorFlow，熟悉 SQL 及大数据工具，熟悉主流推理引擎(vLLM、TensorRT-LLM 等)及性能调优手段。\n6. 逻辑思维与问题拆解能力强，对 Agent 领域开放性问题有研究热情，自驱力强，善于跨团队协作。\n\n加分项：\n• 有复杂 Agent 系统(AutoGPT、BabyAGI、LangChain/LlamaIndex)或智能体产品(Copilot、AI 助手、自动化工作流)的落地经验;\n• 有生成式检索、语义ID（VQ-VAE/RQ-VAE/深度哈希）、生成式搜推(T5-based Retrieval、GPT-Rec 等)落地经验;\n• 在 Agent 规划、工具学习、代码生成、RL 与 LLM 结合方向(RLHF、RLAIF、PRM)有深入研究成果或顶会论文(ACL、EMNLP、NeurIPS、ICML、KDD、RecSys、WWW 等);\n• 熟悉多智能体协作框架(CrewAI、AutoGen)或有大规模 Agent 评测体系设计经验\n1. 主导大模型智能体(Agent)系统的整体架构，围绕任务规划、工具调用、多步推理与自主决策等核心能力，推动 LLM Agent 在真实业务场景中高效落地。\n2. 负责 Agentic 大模型的后训练(Post-training)，通过 SFT、奖励模型(RM)训练、强化学习(RLHF/DPO/GRPO)等手段，系统性提升模型在复杂任务中的规划、工具使用准确性与长程一致性，解决多步推理中的错误累积与目标偏离。\n3. 构建 Agent 的分层记忆体系(结构化记忆、语义记忆、工作记忆)，结合 RAG 架构与向量检索优化，实现对用户偏好、历史交互与领域知识的高效检索与动态注入，支撑 Agent 的个性化与持续学习。\n4. 落地 Function Calling、API 调用、代码解释器集成与多模态工具协同，优化模型对外部工具的感知、选择与参数生成质量，提升 Agent 在跨系统任务中的自动化水平。\n5. 探索强化学习在 Agent 决策中的应用，结合过程奖励模型(PRM)、蒙特卡洛树搜索(MCTS)、多智能体协作等前沿方法，增强模型在开放场景下的探索、反思与纠错能力，提升任务完成率与鲁棒性。\n6. 与工程团队协作解决端到端延迟与资源效率问题，推动推理优化(量化、KV Cache 压缩、投机解码等)、任务调度与高并发架构设计，保障线上服务的稳定性与成本可控。\n1. 计算机、人工智能、数学等相关专业硕士及以上学历，3 年以上 NLP、对话系统或大模型算法落地经验，机器学习与深度学习基础扎实。\n2. 深入理解主流大模型架构(Qwen、LLaMA、ChatGLM 等)，精通后训练全流程，在 SFT、RLHF/DPO/GRPO 上有实际落地经验，熟悉 LoRA/QLoRA 等高效微调技术。\n3. 熟悉主流 Agent 范式(ReAct、Plan-and-Execute、Reflexion、Function Calling 等)，有 Agent 项目实战经验，能设计任务拆解、工具选择与结果验证的完整链路。\n4. 精通 RAG 系统工程化，掌握向量数据库(Milvus、Faiss 等)与混合检索策略(稀疏 + 稠密 + 重排序);有记忆管理或长期对话上下文建模经验者优先。\n5. 熟练掌握 Python 与 PyTorch/TensorFlow，熟悉 SQL 及大数据工具，熟悉主流推理引擎(vLLM、TensorRT-LLM 等)及性能调优手段。\n6. 逻辑思维与问题拆解能力强，对 Agent 领域开放性问题有研究热情，自驱力强，善于跨团队协作。\n\n加分项：\n• 有复杂 Agent 系统(AutoGPT、BabyAGI、LangChain/LlamaIndex)或智能体产品(Copilot、AI 助手、自动化工作流)的落地经验;\n• 有生成式检索、语义ID（VQ-VAE/RQ-VAE/深度哈希）、生成式搜推(T5-based Retrieval、GPT-Rec 等)落地经验;\n• 在 Agent 规划、工具学习、代码生成、RL 与 LLM 结合方向(RLHF、RLAIF、PRM)有深入研究成果或顶会论文(ACL、EMNLP、NeurIPS、ICML、KDD、RecSys、WWW 等);\n• 熟悉多智能体协作框架(CrewAI、AutoGen)或有大规模 Agent 评测体系设计经验",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}