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": "大模型技术专家（Agent方向）",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "小米集团",
"company_industry": "消费电子 / 智能制造 / 物联网",
"company_size": "10000人以上",
"company_website": "xiaomi.com",
"company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "计算机相关方向硕士或博士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "探索大模型智能体研究的前沿技术，构建具备持续学习能力的通用 Agent，包括但不限于：\n1、Agentic RL。面向长时序任务的强化学习；Agent 在交互环境中的探索与策略优化；多目标、多约束条件下大模型Agent的决策稳定性与泛化性；Test-time的数据高效Agentic RL；Agent reward model的系统性学习问题；大模型智能体的MARL。\n2、Agentic Memory。短期 / 中期 / 长期记忆架构设计；可演化、可压缩、可检索的Memory 系统；经验、技能、失败案例的结构化沉淀；Memory 与 Planning / RL / Tool 之间的协同机制。\n3、Agent Workflow。Task Decomposition / Planning / Re-planning；多 Agent 协作与角色分工；反思、自我修正、策略升级；工具集和技能库自演进；自适应和可学习的Agent 工作流。\n4、Agent Application。GUI Agent：跨应用、多模态界面下的操作与理解；OS Agent：文件系统、进程、命令、自动化工作流；Deep Research Agent：复杂研究任务、信息整合、假设验证；通用 Agent ：跨时间跨任务跨领域的自主学习Agent。\n\n\n",
"requirements_text": "1. 计算机相关方向硕士或博士；\n2. 有大模型智能体相关研究和项目经历，发表过相关方向的顶会论文，或者参与过有影响力的开源项目;\n3. 具有优秀的解决复杂问题和多人协作沟通的能力，能够独立思考并开展工作，具有强烈的好奇心和责任心。",
"skills": [AI生成
"大语言模型",
"智能体开发"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7468481103957344364/detail"
}
]
},
"posting": {
"posting_id": "7468481103957344364",
"post_date": "2025-02-07",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7468481103957344364/detail"
},
"fulltext": "大模型技术专家（Agent方向）\n职位描述\n探索大模型智能体研究的前沿技术，构建具备持续学习能力的通用 Agent，包括但不限于：\n1、Agentic RL。面向长时序任务的强化学习；Agent 在交互环境中的探索与策略优化；多目标、多约束条件下大模型Agent的决策稳定性与泛化性；Test-time的数据高效Agentic RL；Agent reward model的系统性学习问题；大模型智能体的MARL。\n2、Agentic Memory。短期 / 中期 / 长期记忆架构设计；可演化、可压缩、可检索的Memory 系统；经验、技能、失败案例的结构化沉淀；Memory 与 Planning / RL / Tool 之间的协同机制。\n3、Agent Workflow。Task Decomposition / Planning / Re-planning；多 Agent 协作与角色分工；反思、自我修正、策略升级；工具集和技能库自演进；自适应和可学习的Agent 工作流。\n4、Agent Application。GUI Agent：跨应用、多模态界面下的操作与理解；OS Agent：文件系统、进程、命令、自动化工作流；Deep Research Agent：复杂研究任务、信息整合、假设验证；通用 Agent ：跨时间跨任务跨领域的自主学习Agent。\n\n\n\n\n职位要求\n1. 计算机相关方向硕士或博士；\n2. 有大模型智能体相关研究和项目经历，发表过相关方向的顶会论文，或者参与过有影响力的开源项目;\n3. 具有优秀的解决复杂问题和多人协作沟通的能力，能够独立思考并开展工作，具有强烈的好奇心和责任心。\n探索大模型智能体研究的前沿技术，构建具备持续学习能力的通用 Agent，包括但不限于：\n1、Agentic RL。面向长时序任务的强化学习；Agent 在交互环境中的探索与策略优化；多目标、多约束条件下大模型Agent的决策稳定性与泛化性；Test-time的数据高效Agentic RL；Agent reward model的系统性学习问题；大模型智能体的MARL。\n2、Agentic Memory。短期 / 中期 / 长期记忆架构设计；可演化、可压缩、可检索的Memory 系统；经验、技能、失败案例的结构化沉淀；Memory 与 Planning / RL / Tool 之间的协同机制。\n3、Agent Workflow。Task Decomposition / Planning / Re-planning；多 Agent 协作与角色分工；反思、自我修正、策略升级；工具集和技能库自演进；自适应和可学习的Agent 工作流。\n4、Agent Application。GUI Agent：跨应用、多模态界面下的操作与理解；OS Agent：文件系统、进程、命令、自动化工作流；Deep Research Agent：复杂研究任务、信息整合、假设验证；通用 Agent ：跨时间跨任务跨领域的自主学习Agent。\n\n\n\n1. 计算机相关方向硕士或博士；\n2. 有大模型智能体相关研究和项目经历，发表过相关方向的顶会论文，或者参与过有影响力的开源项目;\n3. 具有优秀的解决复杂问题和多人协作沟通的能力，能够独立思考并开展工作，具有强烈的好奇心和责任心。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}