职位描述
1.设计并研发支持大模型驱动智能体进化的强化学习平台。构建高效的环境交互、轨迹采样与分布式训练流水线，解决大模型在自定义环境中的训练效率与稳定性问题。
2.深入特定的垂直业务场景，将复杂的业务逻辑抽象为马尔可夫决策过程。设计合理的状态空间、动作空间与奖励函数，利用 RL 技术提升智能体在特定任务上的决策胜率与收益。
3.负责仿真环境的创建、接入与优化，探索Sim-to-Real 技术。利用仿真数据与合成数据驱动智能体进行 Self-Play（自我博弈），在数据稀缺场景下实现能力突破。
4.在平台中实现并优化 PPO、GRPO、DAPO 等主流 RL 算法，使其适配长链路推理与多步决策任务，提升智能体在复杂规则下的指令遵循与长程规划能力。任职要求
1.精通 Python/C++，具备扎实的系统编程能力。熟悉 Ray, RLlib, vLLM 或其他分布式计算/推理框架，有构建高并发环境交互系统或大规模 RL 训练平台的实战经验。
2.深刻理解 RL 核心原理。具备将 RL 应用于非标准环境的经验，例如：运筹优化、机器人控制、推荐系统、或复杂游戏 AI。
3.具备极强的数学抽象与问题建模能力，能够将模糊的业务目标转化为可优化的数学目标。熟悉运筹学或控制理论者优先。
4.熟悉 LLM 的微调与推理机制，熟悉 VeRL/OpenRLHF/Slime 等常见 RL 框架和 vllm/sglang 等常见推理加速框架。
