研究型实习生-基于经验记忆驱动的风控自进化建模 Agent 研究

岗位职责

研究领域： 大模型智能体 项目简介： 在内容安全风控领域，模型建模流程高度依赖算法工程师的经验，从特征工程、模型选择到超参调优，每一步都需要大量人工决策和反复试错。内容安全场景具有风险类型多、演化快、标注难度高的特点——新型违规内容层出不穷，同一风险类型在不同业务线（图文/视频/直播）上的建模策略差异大，且很多风险类型具有主观性和模糊性，标注一致性低。随着业务线扩张和风险类型多样化，建模需求爆发式增长，但资深算法人力有限，导致大量建模需求排队等待，建模周期长、成本高。核心矛盾在于：内容安全建模是高度经验驱动的——资深算法工程师能从过往建模经历中提炼策略（如哪类特征对涉黄变体有效、哪种模型架构适合广告导流检测）、规避陷阱、快速定位有效方案；而现有的自动化建模系统（如传统 AutoML）每次建模都从零开始搜索，无法沉淀和复用历史建模经验，本质上是一个"无记忆"的建模范式。这使得自动建模的效果始终无法逼近有经验的人类专家。自进化建模的核心思想是：让建模 Agent 具备经验记忆与自我成长能力，每次建模任务后自动沉淀可复用的经验，在面对新任务时能够检索和运用历史经验指导决策，形成"建模→沉淀→复用→验证→成长"的自进化闭环。其关键在于经验记忆的管理——何时写入记忆、如何结构化蒸馏、经验冲突时如何更新、面对新任务何时检索复用，这四个问题尚无系统性解决方案，也是本研究的核心攻坚点

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、LLM Agent、Python、内容安全、内容安全治理、内容风控、参数调优、发表算法相关优秀论文、图像算法、基模型挑选、多模态算法、大模型代理、大模型算法、大语言模型智能体、建模记忆、持续学习闭环、智能体、有害内容识别、标注可靠性、标注对齐、标注质量、模型适配、特征提取、特征构造、特征选择、知识沉淀、策略记忆、算法选型、自动化建模、自动建模系统、自动机器学习、自我进化循环、自然语言处理算法、自适应迭代、调参、超参数优化、违规类型、风控、风控算法、风险标签、风险类别