面向搜推算法特征治理的智能体系统研究和实现

1、围绕搜索推荐系统中大规模特征生产链路复杂、数据血缘不清晰、特征复用率低、计算链路冗余严重等问题，开展面向特征工程智能治理的 Agent 系统研究与原型建设。参与构建 Feature Engineering Agent 系统，利用 Agent 的任务规划、工具调用、记忆机制、多步骤推理、结果校验与人机协同能力，实现对特征生产代码、任务 DAG、数据血缘和特征依赖关系的自动理解与治理。 2、参与设计和实现面向 SQL、Spark、Flink 等特征生产代码的解析工具链，并将代码解析、元数据查询、任务 DAG 查询、血缘分析、特征 profile 分析、资源成本估算等能力封装为 Agent 可调用工具。 3、研究特征血缘自动构建、冗余特征识别、特征复用推荐、特征依赖关系推理、DAG 优化建议生成等 Agent 工作流，使 Agent 能够在真实特征生产链路中完成复杂治理任务的拆解、执行、验证与解释。 4、探索单 Agent 与多 Agent 协作机制，构建 Code Understanding Agent、Lineage Agent、Feature Reuse Agent、DAG Optimization Agent、Risk Review Agent 等专业能力模块，支持复杂特征治理任务的自动化和半自动化处理。 5、参与构建 Agent 安全与可信机制，包括工具调用权限控制、结果证据追踪、置信度评估、幻觉检测、生产变更审批、风险提示与回滚建议，确保 Agent 输出可解释、可验证、可审计。 6、在真实搜索推荐业务场景中进行实验验证，评估 Agent 系统在血缘识别准确率、冗余特征发现率、特征复用推荐采纳率、计算资源节省、研发效率提升等方面的效果，并形成技术方案、系统原型、技术报告、专利或论文成果。

1、 获得本科及以上学历，计算机、人工智能、软件工程、数据科学等相关专业； 2、 具备扎实的数据结构与算法基础，熟练掌握Python、Java或Scala等至少一门编程语言，具备良好的系统设计与工程实现能力； 3、 深入理解大语言模型与Agent系统相关技术，熟悉任务规划(Planning)、工具调用(Tool Use)、记忆(Memory)及工作流编排等机制； 4、 熟悉SQL、Spark、Flink、Doris、Hive等大数据计算与存储框架，具备数据工程、特征工程、任务调度或数据血缘相关项目经历； 5、 了解代码静态分析、AST、SQL解析、任务DAG、知识图谱及元数据管理等技术栈； 6、 具备机器学习、信息检索、代码智能、数据治理或Agent系统相关科研或项目经验； 7、 具备优秀的问题抽象能力与科研素养，在相关顶级学术会议或期刊有高质量论文发表、专利产出或系统原型建设记录者优先。