岗位背景
   我们正在构建具备自我进化能力的下一代Agent系统——能从执行结果中学习、从人类反馈中修正、从历史经验中归纳，实现任务成功率的持续自主提升。这不是在写更好的Prompt，而是在设计一套让模型能力在部署后持续扩展的智能体系统。

岗位职责
   1. 设计并落地多层级记忆系统，构建短期会话记忆、中期任务轨迹、长期抽象经验的三层架构，支持增量更新、冲突消解与遗忘策略。
   2. 研发混合存储的经验召回机制，结合向量检索与知识图谱，使Agent在新任务中主动复用历史成功模式。
   3. 借鉴Harness的流水线编排与持续交付思想，设计可动态调整的任务执行图，实现失败环节的自动根因分析、修复步骤插入与回滚重试。
   4. 参考OpenClaw等通用Agent框架的模块化设计理念，实现"执行-评估-反思-迭代"闭环，使Agent在多步推理任务中具备自我纠错能力。
   5. 构建数据飞轮，将交互数据自动转化为微调样本，探索DPO、RLHF等对齐技术实现模型能力的螺旋上升。
   6. 研发元认知控制层，使Agent能根据任务特征自主决策执行策略（直接执行/规划后执行/强制反思/请求介入）。
   7. 设计通用化自学习接口，使记忆更新、策略优化、工具选择等能力可跨领域迁移。
   8. 搭建全链路可观测性体系，将执行过程、反馈信号、模型行为变化可视化。
   9. 跟进推理时搜索、自我博弈、自我奖励等前沿范式，评估落地可行性并工程化验证方案。

任职要求
   1. 精通Python，熟悉异步编程与分布式系统设计，能独立完成方案设计到上线部署全流程。
   2. 有生产级LLM应用构建经验，深度使用过LangChain/LlamaIndex/LangGraph等框架至少一种。
   3. 深入理解向量数据库（Milvus/Weaviate/Qdrant等），有RAG系统调优与Embedding微调实操经验。
   4. 理解Agent记忆设计模式（如MemGPT、Letta），有过长周期运行Agent的状态管理经验。
   5. 熟悉Agent编排框架（LangGraph、AutoGen、CrewAI等），能将复杂任务拆解为多步协作流程。
   6. 深入研究或实际使用过Harness体系，理解其流水线编排、审批策略、失败处理与回滚机制，并能将其思想迁移到Agent任务执行的可靠性设计中。
   7. 研究或使用过OpenClaw等通用Agent框架，理解其规划器、记忆模块、工具系统的设计取舍与实现细节。
   8. 有大模型微调实战经验，熟悉LoRA/QLoRA及Deepspeed等分布式训练框架。
   9. 了解RLHF/DPO等对齐方法的基本原理与工程实现。

加分项
    1.有已落地的自进化Agent项目，请简述实现机制及量化收益（任务成功率提升、人工干预频率下降等）。
    2.设计或深度定制过Agent框架核心模块（规划器、记忆、工具系统），能清晰阐述设计取舍。
    3. 对LangGraph、AutoGPT、CrewAI、OpenClaw等有PR贡献，或开源过自研Agent框架。
    4. 能将Harness的蓝绿部署、金丝雀发布、自动回滚等策略，类比应用于Agent新能力的安全上线与灰度验证。
    5.有长周期Agent的错误恢复、死循环检测、状态一致性等问题的实战解决方案。
    6.在智能体、强化学习、AutoML等领域有顶会论文，并能将学术成果转化为工程实践。