岗位职责（具体工作内容）我们是滴滴国际化出行算法团队，团队正在高速发展阶段，拥有海量空间。岗位职责：1、面向国际化出行推荐/分单系统,搭建 Agent 编排框架: 负责多Agent系统化建设, 提升 Agent 执行效率、稳定性与成本效率; 围绕多轮 Agent 调用链路, 优化 LLM 请求组织、上下文复用、Prompt Cache、Token使用效率与长上下文性能。2、设计 Multi-Agent 系统与调度(Harness、Loop): 参与搜索/执行 Agent 框架(Harness)建设：工具调用、规划、记忆、环境交互的统一编排; 实现多智能体调度与协作(任务分配、动态调度、Agent间通信、对齐、冲突解决)。3、长记忆、自进化与数据闭环(Self-Evolve): 参与 Agent 长期记忆机制、跨上下文知识整合;参与 Self-evolve / Self-improvement / RSI的落地探索，自动化参数调优、训练流程自动化、AI辅助算法设计、模型迭代闭环。4、评测与 Reward / Verifier 系统: 参与构建离线 Reward 系统与自动化评测体系，实验轨迹持久化与可复现，保证每轮 agent 执行全量落盘的可追溯可复线; 建立 Agent Loop性能与质量诊断机制。任职资格（学历、目标院校、语言、技能、性格等要求）1、2027届获得硕士及以上学位，计算机、人工智能、机器学习等相关专业优先；2、扎实的机器学习/深度学习基础，了解前沿大模型与Agent技术；熟悉排序模型、CTR 预估、特征工程等推荐方向核心方法；在NeurIPS/ICML/ICLR/ACL/EMNLP/CVPR/ICCV/ECCV/AAAI等高水平会议发表论文，或有竞赛获奖经验者优先；3、有Multi-Agent系统搭建实践经验或Agent落地应用经验：Agent开发（工具调用、规划、记忆、多智能体协作）、Agent Harness / 自我提升、RLHF/RLAIF、数据合成、自动化评测等；4、熟悉PyTorch/TensorFlow模型训练与部署；了解分布式训练、混合精度训练等加速方法；了解模型压缩与推理加速（量化、剪枝、蒸馏、TensorRT等）；熟悉大数据相关框架与应用（MR/Spark等）者优先；5、熟悉以下任一方向者优先：1)LLM & Agent: Agent Harness 与多智能体调度、工具调用与规划、长上下文、数据合成、自我提升(Loop / RSI)、自动化评测; 有 LLM agent 框架(LangChain / AutoGen / 自研)实战经验者优先;2)推荐系统: 排序模型、多目标优化、AutoML for RecSys、推荐系统架构与特征工程; 有 RecSys / SIGIR / KDD 推荐方向论文,或 Kaggle 推荐类竞赛获奖者优先;3)强化学习 / 决策:RL 在推荐或调度中的应用、off-policy 评估、bandit / 进化策略等搜索方法,有相关项目或论文者优先。6、优秀的工程实现与学习能力，良好的协作沟通；对"用 Agent 自动化推荐系统迭代"这件事有好奇心和热情，严谨对待每个实验结论(可证伪、可复现)。