{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "LLM Agent Memory专家",
        "job_level": "专家",AI生成
        "work_category": "全职",AI生成
        "department": "技术中心",
        "location": "广州市",
        "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": 5,
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "• 主导复杂交互场景（如 Coding Agent、智能 NPC、个人助理）下长期记忆系统的架构设计与核心研发，让 Agent 在多轮、跨次对话中持续理解用户习惯与历史上下文；\n• 负责记忆提取、存储、检索与遗忘机制的全链路实现，解决状态压缩、跨 session 信息同步以及记忆冲突合并等核心工程问题；\n1、围绕记忆写入、更新、合并等关键链路，构建可训练、可迭代的 Memory Model；通过 SFT、DPO、RLHF、GRPO/PPO 等后训练手段，持续优化模型在长时序交互、复杂任务执行及个性化协作中的记忆表现；\n2、建立 Memory Model 的后训练迭代闭环： 将真实交互中的记忆 Case 转化为训练样本与偏好对，通过可验证奖励信号驱动模型迭代；搭建线上 Bad Case 归因机制，针对写入遗漏、过度写入、冲突合并错误、检索不足、幻觉、越权记忆等问题形成数据回流与模型再训练的完整链路；\n3、构建 Agent Memory 的评测基础设施： 设计多阶段、多轮复杂交互下的记忆质量自动化测试方案，制定内部评估基准（Benchmark），覆盖记忆写入、更新、检索、遗忘等核心链路的准确性、完整性与时效性指标；\n4、跟进 Agent Memory 领域前沿技术，推动在实际业务场景中的落地与持续迭代。\n",
        "requirements_text": "1、熟练掌握 Python 及主流深度学习框架，对主流 Agent 架构和 Memory 框架（如 Mem0、MemOs 等）有深入理解；\n2、在知识图谱构建、向量数据库检索、RAG 系统或复杂状态机引擎方向有丰富的工业级落地经验；\n3、具备大模型后训练实战经验，熟悉至少两种偏好学习或强化学习训练范式；能够独立完成数据构造、训练方案设计、效果评估与消融分析，形成稳定可复用的训练与评测模块；\n4、熟悉复杂智能体系统的自动化评测方案，有从零构建多阶段复杂评测工作流（如类似 SWE-bench 模式的内部业务基准构建）经验者优先考虑；\n5、具备极强的工程落地能力和逻辑拆解能力，能够独立分析系统瓶颈并攻克前沿算法难题；\n6、具备优秀的跨部门沟通协调能力与自我驱动力，对前沿 AI 玩法创新及智能体技术演进充满热情。",
        "skills": [AI生成
            "Python",
            "深度学习",
            "强化学习",
            "数据库",
            "知识图谱",
            "沟通协调",
            "沟通能力",
            "大语言模型",
            "检索增强生成",
            "智能体开发"
        ],
        "preferred_qualifications": "4、熟悉复杂智能体系统的自动化评测方案，有从零构建多阶段复杂评测工作流（如类似 SWE-bench 模式的内部业务基准构建）经验者优先考虑",
        "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=78210&lang=zh"
            }
        ]
    },
    "posting": {
        "posting_id": "78210",
        "post_date": "",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://hr.163.com/job-detail.html?id=78210&lang=zh"
    },
    "fulltext": "LLM Agent Memory专家\n职位描述\n• 主导复杂交互场景（如 Coding Agent、智能 NPC、个人助理）下长期记忆系统的架构设计与核心研发，让 Agent 在多轮、跨次对话中持续理解用户习惯与历史上下文；\n• 负责记忆提取、存储、检索与遗忘机制的全链路实现，解决状态压缩、跨 session 信息同步以及记忆冲突合并等核心工程问题；\n1、围绕记忆写入、更新、合并等关键链路，构建可训练、可迭代的 Memory Model；通过 SFT、DPO、RLHF、GRPO/PPO 等后训练手段，持续优化模型在长时序交互、复杂任务执行及个性化协作中的记忆表现；\n2、建立 Memory Model 的后训练迭代闭环： 将真实交互中的记忆 Case 转化为训练样本与偏好对，通过可验证奖励信号驱动模型迭代；搭建线上 Bad Case 归因机制，针对写入遗漏、过度写入、冲突合并错误、检索不足、幻觉、越权记忆等问题形成数据回流与模型再训练的完整链路；\n3、构建 Agent Memory 的评测基础设施： 设计多阶段、多轮复杂交互下的记忆质量自动化测试方案，制定内部评估基准（Benchmark），覆盖记忆写入、更新、检索、遗忘等核心链路的准确性、完整性与时效性指标；\n4、跟进 Agent Memory 领域前沿技术，推动在实际业务场景中的落地与持续迭代。\n\n\n职位要求\n1、熟练掌握 Python 及主流深度学习框架，对主流 Agent 架构和 Memory 框架（如 Mem0、MemOs 等）有深入理解；\n2、在知识图谱构建、向量数据库检索、RAG 系统或复杂状态机引擎方向有丰富的工业级落地经验；\n3、具备大模型后训练实战经验，熟悉至少两种偏好学习或强化学习训练范式；能够独立完成数据构造、训练方案设计、效果评估与消融分析，形成稳定可复用的训练与评测模块；\n4、熟悉复杂智能体系统的自动化评测方案，有从零构建多阶段复杂评测工作流（如类似 SWE-bench 模式的内部业务基准构建）经验者优先考虑；\n5、具备极强的工程落地能力和逻辑拆解能力，能够独立分析系统瓶颈并攻克前沿算法难题；\n6、具备优秀的跨部门沟通协调能力与自我驱动力，对前沿 AI 玩法创新及智能体技术演进充满热情。\n• 主导复杂交互场景（如 Coding Agent、智能 NPC、个人助理）下长期记忆系统的架构设计与核心研发，让 Agent 在多轮、跨次对话中持续理解用户习惯与历史上下文；\n• 负责记忆提取、存储、检索与遗忘机制的全链路实现，解决状态压缩、跨 session 信息同步以及记忆冲突合并等核心工程问题；\n1、围绕记忆写入、更新、合并等关键链路，构建可训练、可迭代的 Memory Model；通过 SFT、DPO、RLHF、GRPO/PPO 等后训练手段，持续优化模型在长时序交互、复杂任务执行及个性化协作中的记忆表现；\n2、建立 Memory Model 的后训练迭代闭环： 将真实交互中的记忆 Case 转化为训练样本与偏好对，通过可验证奖励信号驱动模型迭代；搭建线上 Bad Case 归因机制，针对写入遗漏、过度写入、冲突合并错误、检索不足、幻觉、越权记忆等问题形成数据回流与模型再训练的完整链路；\n3、构建 Agent Memory 的评测基础设施： 设计多阶段、多轮复杂交互下的记忆质量自动化测试方案，制定内部评估基准（Benchmark），覆盖记忆写入、更新、检索、遗忘等核心链路的准确性、完整性与时效性指标；\n4、跟进 Agent Memory 领域前沿技术，推动在实际业务场景中的落地与持续迭代。\n\n1、熟练掌握 Python 及主流深度学习框架，对主流 Agent 架构和 Memory 框架（如 Mem0、MemOs 等）有深入理解；\n2、在知识图谱构建、向量数据库检索、RAG 系统或复杂状态机引擎方向有丰富的工业级落地经验；\n3、具备大模型后训练实战经验，熟悉至少两种偏好学习或强化学习训练范式；能够独立完成数据构造、训练方案设计、效果评估与消融分析，形成稳定可复用的训练与评测模块；\n4、熟悉复杂智能体系统的自动化评测方案，有从零构建多阶段复杂评测工作流（如类似 SWE-bench 模式的内部业务基准构建）经验者优先考虑；\n5、具备极强的工程落地能力和逻辑拆解能力，能够独立分析系统瓶颈并攻克前沿算法难题；\n6、具备优秀的跨部门沟通协调能力与自我驱动力，对前沿 AI 玩法创新及智能体技术演进充满热情。",
    "standard_classification": {
        "std_category_code": "T010",
        "std_aux_codes": [
            "T015"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}