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agent算法工程师",
"job_level": "校招",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": "计算机相关方向的硕士或博士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "探索 Agent Harness 研究与应用的前沿技术，构建可进化的 Agent Harness 技术底座，定义可持续学习 Agent 的基础范式，包括但不限于：\n1、Agent Memory：自主记忆管理\n设计端云分层、多智能体共享、多模态统一的记忆架构，支撑跨设备跨场景的记忆服务能力；探索记忆读写策略与组织结构的自适应演化机制，实现 Agent 层级的持续学习与自纠错。\n2、Agent Search：搜索智能体与策略优化\n融合遗传进化、语言反思与搜索算法，构建 Search Agent 的经验闭环优化范式，探索从数据构建到在线迭代的后训练全流程，结合多智能体实现协同搜索与策略优化。\n3、Agent Harness：可进化的执行底座\n基于执行 Trace 实现 Harness 在线诊断与自动优化，探索 Test-time 数据高效的 Agent 策略优化范式，兼顾探索效率与决策稳定性。",
"requirements_text": "1.计算机相关方向的硕士或博士;\n2.有大模型AIAgent相关研究和项目经历,一作发表过相关方向向的顶会论文;\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"
],
"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/campus/m/position/7670924118350465321/detail"
}
]
},
"posting": {
"posting_id": "7670924118350465321",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://xiaomi.jobs.f.mioffice.cn/campus/m/position/7670924118350465321/detail"
},
"fulltext": "大模型agent算法工程师\n职位描述\n探索 Agent Harness 研究与应用的前沿技术，构建可进化的 Agent Harness 技术底座，定义可持续学习 Agent 的基础范式，包括但不限于：\n1、Agent Memory：自主记忆管理\n设计端云分层、多智能体共享、多模态统一的记忆架构，支撑跨设备跨场景的记忆服务能力；探索记忆读写策略与组织结构的自适应演化机制，实现 Agent 层级的持续学习与自纠错。\n2、Agent Search：搜索智能体与策略优化\n融合遗传进化、语言反思与搜索算法，构建 Search Agent 的经验闭环优化范式，探索从数据构建到在线迭代的后训练全流程，结合多智能体实现协同搜索与策略优化。\n3、Agent Harness：可进化的执行底座\n基于执行 Trace 实现 Harness 在线诊断与自动优化，探索 Test-time 数据高效的 Agent 策略优化范式，兼顾探索效率与决策稳定性。\n\n职位要求\n1.计算机相关方向的硕士或博士;\n2.有大模型AIAgent相关研究和项目经历,一作发表过相关方向向的顶会论文;\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 Agent Harness 研究与应用的前沿技术，构建可进化的 Agent Harness 技术底座，定义可持续学习 Agent 的基础范式，包括但不限于：\n1、Agent Memory：自主记忆管理\n设计端云分层、多智能体共享、多模态统一的记忆架构，支撑跨设备跨场景的记忆服务能力；探索记忆读写策略与组织结构的自适应演化机制，实现 Agent 层级的持续学习与自纠错。\n2、Agent Search：搜索智能体与策略优化\n融合遗传进化、语言反思与搜索算法，构建 Search Agent 的经验闭环优化范式，探索从数据构建到在线迭代的后训练全流程，结合多智能体实现协同搜索与策略优化。\n3、Agent Harness：可进化的执行底座\n基于执行 Trace 实现 Harness 在线诊断与自动优化，探索 Test-time 数据高效的 Agent 策略优化范式，兼顾探索效率与决策稳定性。\n1.计算机相关方向的硕士或博士;\n2.有大模型AIAgent相关研究和项目经历,一作发表过相关方向向的顶会论文;\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"
}
}