【北斗】数字人直播-Agent算法研究员

北京 · 校招 · 2027 届 · 硕士

长期有效

前往官方投递页 →

任职要求

【任职资格】
基本要求：
1. 2027届硕士及以上毕业生，计算机科学、人工智能、机器学习、NLP等相关专业；
2. 扎实的深度学习理论基础，精通PyTorch/TensorFlow，有大规模模型训练经验；
3. 具备Agent系统设计经验，熟悉Multi-Agent协同架构、工具调用、任务规划等核心技术；
4. 具备良好的编程能力（C++/Python），ACM/ICPC/NOI等竞赛获奖者优先。
加分项：
1. 在NeurIPS、ICML、ICLR、ACL、EMNLP等顶会发表过论文；
2. 有Agent系统或对话系统的实际项目经验，熟悉LangChain/LangGraph等Agent框架；
3. 熟悉大模型微调技术（SFT/RLHF/RLVR）及Agentic RL，有相关实践或论文发表者优先；
4. 对RAG、检索增强生成、对话系统有深入理解。
【为什么是我们】
参与本地生活领域最大的数字人直播平台，深度参与Agent智能体系统的设计与落地。拥有海量业务数据和多场景验证机会，可合作发表顶会论文，配备充足的GPU计算资源，资深工程师一对一带教。

岗位描述

【岗位职责】

【愿景】

美团数字人直播是本地生活领域最大的数字人直播平台，日播规模已达万级场次、GTV达百亿级规模。智能运营Agent已覆盖百级直播间，累计GTV达亿级规模。团队处于AI与本地生活融合的前沿阵地，致力于通过Agent技术重新定义直播体验。

【你将参与】

1. Agent系统架构设计与搭建：面向数字人直播场景，设计并搭建端到端的Agent智能体系统架构，涵盖智能选品、动态讲解、场景装修、实时互动等核心能力模块，实现多Agent间的协同调度与决策联动；
2. Agent核心算法研发与优化：负责Agent在直播场景中的意图理解、任务规划、工具调用、记忆管理等核心算法研发，持续优化Agent的自主决策能力、交互自然度及业务转化率；
3. LLM后训练与Agent微调：聚焦大模型的指令微调（SFT）、人类反馈强化学习（RLHF/RLVR）等后训练技术，结合Agent场景定制偏好对齐策略，基于Agentic RL提升模型在复杂多轮对话与多步推理任务中的表现；
4. Agent效果评估与规模化落地：构建面向Agent系统的自动化评测体系，与工程、产品团队紧密协作，将Agent研究成果快速转化为线上直播场景的产品能力，驱动数字人直播从"被动展示"到"主动智能运营"的规模化升级。

【任职要求】

【任职资格】

基本要求：

1. 2027届硕士及以上毕业生，计算机科学、人工智能、机器学习、NLP等相关专业；
2. 扎实的深度学习理论基础，精通PyTorch/TensorFlow，有大规模模型训练经验；
3. 具备Agent系统设计经验，熟悉Multi-Agent协同架构、工具调用、任务规划等核心技术；
4. 具备良好的编程能力（C++/Python），ACM/ICPC/NOI等竞赛获奖者优先。

加分项：

1. 在NeurIPS、ICML、ICLR、ACL、EMNLP等顶会发表过论文；
2. 有Agent系统或对话系统的实际项目经验，熟悉LangChain/LangGraph等Agent框架；
3. 熟悉大模型微调技术（SFT/RLHF/RLVR）及Agentic RL，有相关实践或论文发表者优先；
4. 对RAG、检索增强生成、对话系统有深入理解。

【为什么是我们】

参与本地生活领域最大的数字人直播平台，深度参与Agent智能体系统的设计与落地。拥有海量业务数据和多场景验证机会，可合作发表顶会论文，配备充足的GPU计算资源，资深工程师一对一带教。

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 →