课题详情： 课题背景： 近年来，大语言模型驱动的 Agent 在工具调用、任务分解和自动执行方面发展迅速，已在问答、检索、办公等场景展现出应用潜力。然而，现有 Agent 往往依赖固定工具集合与预定义流程，在面对未见过的工具接口、动态变化的软件环境以及多步跨领域复杂任务时，仍容易出现理解偏差、规划失稳和错误累积。因此，本课题聚焦开放域任务中的复杂 Agent 泛化性研究。 课题挑战： 1、复杂 Agent 框架设计：如何设计完备、清晰的 Agent 系统流程，支持开放域场景下多步、跨工具、跨领域的复杂任务； 2、未见工具接口的零样本理解：如何让模型仅通过阅读 API 文档或工具说明，准确掌握参数语义、依赖关系与调用约束； 3、长链任务中的规划与自纠：如何在超过 10 步的执行过程中，实现中间状态跟踪、错误检测与自我修正，避免误差累积； 4、泛化性评测体系建设：如何构建模拟 API 升级、异常返回、网络延迟等真实变化的评测环境，系统评估 Agent 的泛化性与鲁棒性。 具体工作： 你将参与复杂 Agent 框架设计、开放域工具调用与长链任务实验、评测环境构建，以及自纠机制与鲁棒性优化研究。 课题要求： 1、包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士； 2、熟练掌握大模型、多模态相关的基本算法及应用，熟悉caffe、tensorflow，pytorch等至少一个深度学习框架； 3、较强的工程实现能力，熟练掌握 C/C++ 编程，熟悉 Shell/Python/Matlab 至少一种编程语言。