Agent Loop/Runtime智能系统专家-阿里星

杭州/上海 · 校招 · 2027 届 · 博士

长期有效

前往官方投递页 →

任职要求

1、计算机、人工智能、分布式系统、操作系统等相关专业博士，或极其优秀的硕士/本科；在LLM/Agent算法或云原生/分布式系统一侧具备深入、连续的研究积累，并有能力跨越另一侧完成联合设计；
2、原则上在NeurIPS、ICML、ICLR、ACL、KDD、SOSP、OSDI、NSDI、EuroSys、ASPLOS等CCF-A/国际顶会发表过高水平论文（建议3篇及以上），或拥有同等影响力的开源及工业成果；
3、深入掌握以下至少一个方向，并理解其与另一侧的关键接口：Agent规划、Tool-use、Memory、Context Engineering、强化学习与评测；或Sandbox、Serverless、分布式调度、状态存储、故障恢复与可观测性；
4、具备极强编码和系统实现能力，熟练掌握Python、Go、Rust或C++，能够从研究原型推进到大规模生产系统；
5、能洞察复杂问题并进行跨层建模，具备好奇心、创新意识和协同影响力，愿意同时为Agent效果与系统稳定性负责。
加分项：主导过复杂Agent或大规模分布式系统；参与OpenCode、Codex类Harness、Kubernetes、Firecracker、gVisor、Ray、vLLM等有影响力的开源项目。

岗位描述

1、联合设计千问办公Agent Loop与云原生Runtime，以端到端任务效果为目标，推动模型、规划、上下文、工具执行和运行环境协同演进；
2、研发长程任务规划、记忆与上下文管理、Tool-use、反思纠错和失败恢复机制，并结合Runtime状态、资源约束及故障信号实现动态重规划；
3、设计Sandbox、Session、Checkpoint/恢复、工具执行、弹性调度和可观测体系，保障Agent任务稳定、连续、可复现地运行；
4、建设贯穿模型—Loop—Skill—Runtime的全链路Trace、评测和问题归因体系，以线上数据驱动效果、稳定性和成本持续优化；
5、支撑Coding、文档、IM、AI+硬件和企业工作流等创新场景，将核心突破沉淀为顶会论文、专利或开源成果。
1、计算机、人工智能、分布式系统、操作系统等相关专业博士，或极其优秀的硕士/本科；在LLM/Agent算法或云原生/分布式系统一侧具备深入、连续的研究积累，并有能力跨越另一侧完成联合设计；
2、原则上在NeurIPS、ICML、ICLR、ACL、KDD、SOSP、OSDI、NSDI、EuroSys、ASPLOS等CCF-A/国际顶会发表过高水平论文（建议3篇及以上），或拥有同等影响力的开源及工业成果；
3、深入掌握以下至少一个方向，并理解其与另一侧的关键接口：Agent规划、Tool-use、Memory、Context Engineering、强化学习与评测；或Sandbox、Serverless、分布式调度、状态存储、故障恢复与可观测性；
4、具备极强编码和系统实现能力，熟练掌握Python、Go、Rust或C++，能够从研究原型推进到大规模生产系统；
5、能洞察复杂问题并进行跨层建模，具备好奇心、创新意识和协同影响力，愿意同时为Agent效果与系统稳定性负责。

加分项：主导过复杂Agent或大规模分布式系统；参与OpenCode、Codex类Harness、Kubernetes、Firecracker、gVisor、Ray、vLLM等有影响力的开源项目。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →