面壁智能
实习AI4Science智能体实习生
北京 · 实习 · 2027 届 · 不限
长期有效
任职要求
- 教育背景
- •计算机、人工智能、自动化、应用数学、物理、光电、精密仪器等相关专业均可
- •实习岗位，仅限27届及以后毕业的同学投递
- 专业与动手能力
- •在以下方向中至少有一项扎实经验：大模型与智能体（planning、tool use、memory、multi-agent）、强化学习、生成模型、逆问题与优化
- •熟练使用 PyTorch，能独立完成从数据、训练到评测的完整链路，读得懂论文并复现得出来
- •有 benchmark 设计、模型评测或 reward hacking 相关经验者优先
- •对物理或实验科学有基础了解或强烈学习意愿者加分。不要求你已经懂物理，要求你愿意学到能和做实验的人对上话。
- 软性素质
- •会怀疑自己的结果，看到指标上涨的第一反应是找漏洞而不是发消息
- •沟通清晰，能向非 AI 背景的科研人员解释模型在做什么、边界在哪里
- •耐心细致，对实验数据敏感，习惯记录和总结
- •能接受真实实验的反复失败，具备独立推进问题的能力。
- 【我们提供】
- •真实的实验平台：硬件、数据与算力齐备，跑一个想法不需要处处协调资源
- •明确的成果归属：一作机会与作者署名在项目启动时就摊开讨论，不留模糊地带
- •前沿技术视野：直接参与顶刊投稿与评审流程，了解 AI4S 领域未来三到五年的真问题
- •清晰的职业路径：可向研究科学家、算法负责人或技术管理方向发展
- •团队氛围：开放、协作，鼓励试错与经验共享
- 【其他说明】
- •工作地点：北京、上海、深圳、成都均可
岗位描述
我们正在寻找一位动手能力强、视野开阔的智能体研发工程师，加入 AI for Science 团队。你将负责让智能体走出对话框，去规划、执行并闭环调控真实的科学实验系统，通过大量自动化实验与评测比对，为每一类科学任务找到最可靠的智能体设计与反馈机制。更重要的是，你将直面 AI4S 当下最硬的一个问题，模型报告的“变好”，究竟是真的变好，还是只是把指标刷高了。这里的每一天，都是在为科学发现的自动化建立可信的底座。
【岗位亮点】
- - 让智能体真的动手：不是 benchmark 上的 agent，而是接到真实科学系统上的 agent。它要自己提假设、下参数、看结果、改方案，并且承担做错的后果。这类闭环经验目前非常稀缺。
- - 做 AI4S 里最难的那一层：可信评测。区分“物理上真的改善”与“指标被刷高”，本质上和 reward hacking、agent evaluation、过程奖励是同一个问题，只是在这里有物理定律作为唯一裁判，对错没有模糊空间。
- - 成果有双出口：顶刊论文与开源代码同时推进。你的工作会被外部复现和引用，而不是沉在内部 repo 里。
【岗位职责】
- 1. 智能体系统构建与闭环实验
•设计并实现面向科学任务的智能体，涵盖任务规划、工具调用、状态记忆与多轮反馈；
•将智能体接入真实实验平台，完成从需求到闭环运行的全过程，处理真实数据中的漂移、噪声与失败样本；
•针对不同任务类型，比较不同智能体架构与反馈机制的实际表现，输出方案选型报告。
- 2. AI4Physics 建模与物理先验融合
•将物理前向模型与神经网络结合，解决逆问题、重建与参数反演类任务；
•探索用物理仿真替代真实标注数据的可行边界，验证零样本与跨域泛化能力；
•完成系统的消融实验，说明性能提升到底来自哪里。
- 3. 评测体系与知识沉淀
•建立智能体评测集与实验数据库，记录不同任务、不同设定下的最优配置，形成内部选型规范；
•设计能识别指标欺骗的评价指标与对照实验，保证结论可复现、可追溯；
•定期整理典型案例，输出技术报告与开源文档，为团队积累实战经验。
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
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）
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
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
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
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
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。