AI工程师-Agent Memory & RAG 方向（武汉）

1.Agent 记忆表征优化：负责 Agent 长期记忆（Long-term Memory）的表征学习工作。基于业务场景微调 Embedding 模型，提升语义向量在特定语境下的表达能力。 2.检索链路建设 (Index/Recall/Ranking)： Index：设计高效的记忆存储结构（向量索引 + 稀疏索引），解决记忆碎片化问题。 Recall：优化多路召回策略（语义召回、关键词召回、时间衰减召回等），确保关键信息不遗漏。 Ranking：设计精排模型（Cross-encoder 或 LLM-based Rerank），根据当前 Query 的上下文，对召回的记忆进行相关性重排序。 3.评价体系构建：建立 Agent 记忆模块的离线与在线评估体系。设计并计算相关性指标（如 Precision, Recall, MRR, NDCG），通过数据驱动记忆模块的迭代。 4.前沿探索：跟进 Generative Agents, MemGPT 等前沿论文，探索 Graph RAG (知识图谱结合) 等更高级的记忆形态。

任职要求： 1.2026届本科及以上学历，计算机科学、数学、人工智能等相关专业； 2.熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，有扎实的数据结构与算法基础； 3.熟悉 NLP 基础，深入理解 Transformer, BERT, GPT 结构； 4.熟悉 信息检索 (IR) 理论，了解向量检索（如 Faiss, Milvus, Chroma）及混合检索机制； 5.具备良好的论文阅读复现能力，对解决 Agent "幻觉" 和 "遗忘" 问题有强烈的好奇心； 6.加分项：有 Search/Ads/RecSys（搜索/广告/推荐）实际项目经验者优先； 熟悉 LangChain, LlamaIndex 等框架源码，或有 RAG 相关落地经验者优先。