面向工业界Agent的强化学习后训练研究

1、 开展复杂Agent场景下的强化学习算法研究，攻坚多轮工具调用与长链路决策核心痛点，涵盖稀疏奖励建模、信用分配(Credit Assignment)及策略优化稳定性等； 2、 探索并落地适用于Agentic场景的新型RL（强化学习）算法，推动前沿技术在工业界的真实业务中落地； 3、 深度挖掘京东海量用户行为日志（涵盖购买、加购、点击等），设计面向转化目标的多粒度Reward信号体系，将真实用户反馈转化为模型优化信号； 4、 构建与完善面向工业界Agent的系统性评测体系，以多维度的评测数据驱动底层算法能力的持续迭代与升级。

1、 获得本科及以上学历，计算机、人工智能等相关专业； 2、 具备扎实的强化学习理论基础，熟练掌握PPO、GRPO、DPO等主流对齐与强化学习算法； 3、 具备大语言模型（LLM）后训练实践经验，熟悉SFT、RLHF或RLAIF等核心技术流程； 4、 具备Agent训练、工具调用(Tool-use)或多步推理相关的实战经验，或在相关AI顶级会议有高质量论文发表记录； 5、 熟练使用PyTorch深度学习框架，具备大规模分布式训练的实际工程经验。