【北斗】Agent算法研究员（强化学习、自进化方向）

【愿景】
打造全球领先的本地生活智能平台，让每一次搜索和推荐都精准理解用户需求，从被动匹配走向主动认知推理。我们致力于成为大模型在搜索与推荐场景落地的标杆团队，推动行业从传统深度模型向生成式智能的范式跃迁，用AI能力重新定义下一代生活服务入口。
【你将参与】
方向一：个性化自进化与主动探索算法机制
1.探索与利用权衡： 负责设计前沿的主动探索训练目标与触发机制，引入不确定性感知等机制，使 Agent 能够根据当前交互状态、上下文历史自主判断自适应进化方向。
2.高价值信息捕获： 在极低用户打扰的约束下，设计高效的主动追问与澄清策略，精准、主动地获取用户深层高价值偏好信息。
方向二：多轮交互奖励建模与 RL 策略优化
1.长期价值奖励建模： 负责构建面向长期交互与用户留存的奖励模型体系，将用户显式反馈（追问、点击）与隐式行为（停留、改写）转化为高置信度的显式/隐式奖励信号。
2.强化学习策略对齐： 运用先进的强化学习算法（如 PPO、GRPO、在线/交互式 RL），优化模型在多轮对话与 AI 搜索场景下的样本效率与收敛性。基于严谨的理论框架（如收敛性保证、遗憾界分析），指导算法的原则性设计，确保策略在复杂、长尾多场景迁移时的可解释性与可靠性。
方向三：Agent 闭环体系建设与全链路落地
1.可插拔个性化内化模块： 研发高容量、强泛化性的个性化信息内化与记忆模块，动态攻克信息更新频率与偏好识别精度之间的权衡难题。