课题详情： 课题背景： 广告审核业务面对的是风险形式持续变异、规则不定期变更的动态变化业务场景，把风险识别作为简单内容分类建模无法适配复杂业务场景，也无法给风险治理和客户体验带来显著改善。我们需要的是规则理解、案例参考、复杂推理、错误反思与持续迭代的专家决策体系。这类问题天然适合Agentic AI：模型不仅要“看懂”，还要能结合上下文完成判断，并在真实反馈（规则专家反馈/用户反馈等）中不断修正和进化。本课题聚焦构建具备自主反思迭代能力的广告审核专家Agent，探索LLM/MLLM在Context Engineering、案例检索、工具调用、Self-Reflection、自动纠偏等方向的关键能力，让模型从一次性回答走向持续优化的智能体闭环。对于真正对Agent技术感兴趣的同学，这是一个能把前沿Agent研究与真实复杂产业场景紧密结合的方向：问题足够难，反馈足够真实，成果既有研究价值，也有大规模落地空间。 工作内容： 1. 研究基于LLM/MLLM的广告审核Agent技术，设计并实现具备规则理解、案例推理、自主反思与持续迭代能力的审核专家Agent核心框架； 2. 负责广告审核场景中Agentic AI关键技术的探索与落地，包括Context Engineering、RAG、Tool Use、Multi-Agent协同、Self-Reflection、自动纠偏等能力建设； 3. 围绕涉政、涉黄、黑灰产、低俗擦边等高风险广告内容，构建从规则学习、案例归因、审核判定到错误分析与自我优化的完整算法链路； 4. 推动审核专家Agent在真实广告风控场景中的效果优化与生产应用，提升复杂风险识别的准确率、召回率、可解释性和迭代效率； 5. 跟进Agent、LLM、多模态内容理解与对齐优化方向的前沿技术进展，沉淀高质量技术方案，并产出有影响力的研究论文或技术成果。 课题要求： 1、硕士研究生及以上学历，计算机科学、人工智能、自然语言处理、机器学习等相关专业； 2、扎实的机器学习、深度学习基础，熟悉PyTorch/TensorFlow等训练框架，具备大模型训练、微调与推理优化经验； 3、熟悉业界开源大模型，熟悉SFT、偏好对齐（RLHF/DPO等）、强化学习或其他模型迭代优化方法，能够结合业务场景设计可验证、可持续演进的训练与评测方案； 4、对Agent相关技术有深入理解，熟悉PE、RAG、Function Calling/Tool Use、Planning、Reflection、Memory、Multi-Agent等关键方法； 5、有内容安全、风控审核、搜索推荐、广告算法或复杂决策系统经验者优先； 6、在ACL/EMNLP/NeurIPS/ICML/ICLR/CVPR/KDD等顶会发表相关论文，或有高质量开源项目、独立Agent系统开发经验者优先。