研究型实习生-个性化agent交互规划研究

岗位职责

研究领域： 智能安全 项目简介： 当前金融、政务等高风险服务交互场景（如外卡认证、信贷面审等）仍依赖人工坐席或预设脚本进行交互，流程僵化、完成率低，且难以动态应对或识别身份冒用，虚假交互等黑产操作。

近年来，LLMs在人机交互规划领域展现出强大的生成与推理能力，推动了从任务型对话到复杂服务交互的范式演进。学术界围绕 LLM 驱动的规划交互系统，形成了两条主流技术路径：一是反应式规划交互（reactive interaction），依赖上下文即时生成响应，强调语言流畅性与用户意图跟随；二是规划-执行框架（plan-and-execute），通过高层任务分解与子目标调度实现结构化规划交互，强调逻辑一致性与任务完成度。然而，这两类方法在面向高可信要求（high-assurance）的交互场景时，均暴露出根本性局限： 一方面，反应式方法缺乏对交互过程的全局可信约束建模，难以保证交互真实性与行为合规性，可溯源性等关键属性，易受对抗性提示或角色伪装攻击；另一方面，现有规划-执行范式多基于静态任务图或预设流程，无法在交互过程中动态融合个性化用户状态（如风险画像、认知偏好、交互历史）并根据用户的反馈实时调整策略，导致在开放、不确定环境中鲁棒性不足。

在高风险服务交互中，可信性本身是高度情境化与个体依赖的——同一行为对不同用户可能具有截然不同的风险含义，因此亟需“可信服务的个性化交互规划研究” 来兼顾安全鲁邦、个性化与交互自然的三重目标，全面替代现有人工坐席或预设脚本这种流程僵化、完成率低的交互方式。

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作

特色标签

C/C++、Golang、Java、Python、个体风险画像、个性化代理交互规划、个性化智能体交互规划、交互可信性、交互鲁棒性、任务分解与调度框架、即时响应式交互、反应式交互规划、发表算法相关优秀论文、可信安全、场景鲁棒性、大模型、大模型算法、大语言模型、用户风险画像、算法工程化经验、类人交互、自然交互、自然语言处理算法、行为可信性、规控算法、计划-执行框架、过程可信性、风控算法、高保障安全、高保障服务交互、高可信安全、高风险场景交互