LongCat - 大模型自进化与自动化研究智能体研究员

研发下一代自动化研究智能体系统，面向模型研发与高价值复杂研究任务，构建从问题发现、假设生成、实验执行到结果验证、经验沉淀、策略迭代的自进化闭环。提升模型在长周期任务中的自主规划和执行能力，减少对人工逐步指导的依赖，并将能力改进应用于模型训练与评测体系，形成持续迭代。

1. 自动化研究智能体能力建设
提升模型在复杂任务分解、长程推理、研究规划、工具使用、代码生成与执行、证据链整合、结果归因和研究报告生成中的闭环能力，面向真实模型研发任务验证效果。

2. 长程上下文、记忆与状态管理
设计 context scaling/compression、memory selection、任务状态追踪等机制，解决长周期任务中的一致性衰减、状态丢失和中断恢复问题。

3. 可验证研究环境与自动实验闭环
构建覆盖 search、browser、retrieval、code execution、training/eval job、sandbox 的交互式研究环境，将任务建模为可交互、可验证、可评分的闭环，支持自动实验编排、结果比对与版本回滚。

4. 训练策略与反馈信号设计
设计数据配方、环境反馈和 reward 信号体系，引导模型在事实正确性、工具调用可靠性和任务完成率上持续提升。

5. 评测体系与错误分析闭环
建设面向真实 research workflow 的 benchmark 与自动评测体系。系统性分析 Agent 的典型失败模式，针对性反哺到训练策略和 harness 优化。

6. 研究经验沉淀与策略自进化
将成功/失败任务轨迹沉淀为 research episode、skill 和 eval case 等可检索、可复用的自动研究策略库，支持 Agent 在后续任务中检索、复用和迭代。

1. 团队扁平，人才密度高，在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文50余篇，团队成员先后荣获EMNLP outstanding paper、吴文俊人工智能奖科技进步奖、CCF科技成果奖、北京市科技进步奖等荣誉激励；
2. 参与前沿强化学习技术探索，接触多智能体协同进化、模型自进化等创新方向；
3. 充足算力和数据资源保障，长期有耐心，专注核心技术突破。