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.计算机、人工智能、软件工程、数据科学或相关专业本硕博在校生，具备扎实的数据结构与算法基础。 2.熟练掌握 Python、Java、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.了解大语言模型、Agent 系统或智能体相关技术，包括 Planning、Tool Use、Memory、Reflection、RAG、Workflow Orchestration 等机制者优先。 4.了解 SQL、Spark、Flink、Doris、Hive 等大数据计算与存储框架，或具备数据工程、特征工程、任务调度、数据血缘相关经验者优先。 5.了解代码静态分析、AST、SQL 解析、任务 DAG、知识图谱、图建模、检索系统、元数据管理等技术者优先。 6.具备机器学习、信息检索、知识图谱、代码智能、数据治理、Agent 系统等相关科研或项目经验者优先。 7.具备良好的科研能力、问题抽象能力和技术探索兴趣，有论文发表、专利产出或系统原型建设经验者优先。