2027AIDU-智能体算法研究员(J102506)

北京市 · 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、自动化、运筹优化、软件工程等相关专业博士及以上学历，优秀硕士生亦可考虑；
2. 具备扎实的算法和工程能力，能够将研究想法快速实现为可运行系统，熟悉 Python，具备良好的代码质量、调试能力和实验分析能力；
3. 熟悉至少一种复杂任务求解方法，包括但不限于启发式搜索、局部搜索、MCTS、遗传算法、强化学习、运筹优化、约束求解、程序合成、自动调参、算法演化等；
4. 具备评估体系建设意识，能够围绕真实任务设计评价指标、构造测试集、分析失败 case、建立 benchmark，并推动系统基于反馈持续改进；
5. 对产业级 Agent 落地有兴趣，理解通用办公 Agent 与生产级决策 Agent 的差异，认可“可验证、可审计、可闭环、可演化”的系统建设理念。
招聘部门：伐谋产品部

岗位描述

【岗位职责】

岗位方向：面向产业级高价值算法场景，参与建设“伐谋”智能体算法系统，聚焦运筹优化、营销策略决策、科研算法实验等可验证、可审计、可持续演化的复杂任务，探索大模型、智能体、优化算法、评估体系与业务反馈闭环的融合方法。

1. 负责伐谋方向智能体算法体系的研究与研发，围绕“问题建模—候选方案生成—评估验证—专家反馈—策略演化”构建可闭环运行的生产级 Agent 系统；
2. 研究面向高价值决策任务的 Agent 架构，包括任务分解、候选策略生成、多方案搜索、工具调用、代码生成、结果评估、反思修正、长期记忆与反馈沉淀等核心能力；
3. 建设可审计的 Agent 评估验证体系，包括任务级 evaluator、约束检查器、业务指标评估、失败模式识别、专家反馈结构化、case replay、benchmark 对比与验证报告生成；
4. 探索 Agent 自我演化机制，不断跳出局部最优实现持续创新，结合大模型推理、强化学习、搜索算法、程序合成、优化算法与多 Agent 协作，实现候选算法/策略的自动生成、评估、筛选与迭代优化。

【任职要求】

1. 计算机、人工智能、自动化、运筹优化、软件工程等相关专业博士及以上学历，优秀硕士生亦可考虑；
2. 具备扎实的算法和工程能力，能够将研究想法快速实现为可运行系统，熟悉 Python，具备良好的代码质量、调试能力和实验分析能力；
3. 熟悉至少一种复杂任务求解方法，包括但不限于启发式搜索、局部搜索、MCTS、遗传算法、强化学习、运筹优化、约束求解、程序合成、自动调参、算法演化等；
4. 具备评估体系建设意识，能够围绕真实任务设计评价指标、构造测试集、分析失败 case、建立 benchmark，并推动系统基于反馈持续改进；
5. 对产业级 Agent 落地有兴趣，理解通用办公 Agent 与生产级决策 Agent 的差异，认可“可验证、可审计、可闭环、可演化”的系统建设理念。

招聘部门：伐谋产品部

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 →