LLM Agent Memory专家

• 主导复杂交互场景（如 Coding Agent、智能 NPC、个人助理）下长期记忆系统的架构设计与核心研发，让 Agent 在多轮、跨次对话中持续理解用户习惯与历史上下文； • 负责记忆提取、存储、检索与遗忘机制的全链路实现，解决状态压缩、跨 session 信息同步以及记忆冲突合并等核心工程问题； 1、围绕记忆写入、更新、合并等关键链路，构建可训练、可迭代的 Memory Model；通过 SFT、DPO、RLHF、GRPO/PPO 等后训练手段，持续优化模型在长时序交互、复杂任务执行及个性化协作中的记忆表现； 2、建立 Memory Model 的后训练迭代闭环： 将真实交互中的记忆 Case 转化为训练样本与偏好对，通过可验证奖励信号驱动模型迭代；搭建线上 Bad Case 归因机制，针对写入遗漏、过度写入、冲突合并错误、检索不足、幻觉、越权记忆等问题形成数据回流与模型再训练的完整链路； 3、构建 Agent Memory 的评测基础设施： 设计多阶段、多轮复杂交互下的记忆质量自动化测试方案，制定内部评估基准（Benchmark），覆盖记忆写入、更新、检索、遗忘等核心链路的准确性、完整性与时效性指标； 4、跟进 Agent Memory 领域前沿技术，推动在实际业务场景中的落地与持续迭代。 【任职要求】 1、熟练掌握 Python 及主流深度学习框架，对主流 Agent 架构和 Memory 框架（如 Mem0、MemOs 等）有深入理解； 2、在知识图谱构建、向量数据库检索、RAG 系统或复杂状态机引擎方向有丰富的工业级落地经验； 3、具备大模型后训练实战经验，熟悉至少两种偏好学习或强化学习训练范式；能够独立完成数据构造、训练方案设计、效果评估与消融分析，形成稳定可复用的训练与评测模块； 4、熟悉复杂智能体系统的自动化评测方案，有从零构建多阶段复杂评测工作流（如类似 SWE-bench 模式的内部业务基准构建）经验者优先考虑； 5、具备极强的工程落地能力和逻辑拆解能力，能够独立分析系统瓶颈并攻克前沿算法难题； 6、具备优秀的跨部门沟通协调能力与自我驱动力，对前沿 AI 玩法创新及智能体技术演进充满热情。