优才-具身Agent算法工程师-通用业务部

设计分层/端到端 Agent 架构：负责高层任务理解（Task Planning）→ 中层行为规划（Skill/Sub-goal Decomposition）→ 底层动作执行（VLA/RL/WBC）的全栈算法设计。 研发基于大模型的具身决策引擎：利用 LLM/VLM 进行任务拆解、常识推理、异常恢复（Failure Recovery）与重规划（Re-planning），实现 SayCan、RT-H、VoxPoser、CoPa 等路线的工程化落地。 构建多模态感知-记忆-行动闭环：融合视觉、语言、触觉、本体感知与历史交互信息，支持长程任务中的上下文保持与状态追踪。 设计机器人记忆架构：包括短期工作记忆（Working Memory，支持当前任务上下文）、长期情景记忆（Episodic Memory，存储历史交互经验）与语义记忆（Semantic Memory，存储物体属性、环境常识）。 实现基于记忆的 RAG/在线学习：支持机器人在执行中动态检索历史经验、调用外部知识库，并通过真实交互数据实现策略的持续微调（Continual Learning）与自我改进（Self-Improvement）。

计算机科学、人工智能、机器人学、认知科学等相关专业，硕士及以上学历。 Agent 与 LLM：深入理解 LLM Agent 架构（ReAct、Reflexion、LATS、AutoGPT 等），具备 Prompt Engineering、Function Calling、Tool Use、Agent Workflow 的工程经验。 规划与推理：掌握任务规划（Task and Motion Planning, TAMP）、符号推理、几何推理或基于学习的规划（Learning-based Planning）至少一个方向。 有完整的具身 Agent 项目经验：从任务定义、环境交互到真实机器人部署的闭环，或参与过知名开源 Agent/机器人项目（如 LeRobot、Open X-Embodiment、GR00T、Meta-World、CALVIN 等）。 在机器人或 AI 顶会（CoRL、RSS、ICRA、IROS、NeurIPS、ICML、ACL）发表过具身智能、机器人学习或 Agent 相关论文者优先。