均胜电子
【27届校招】Agentic Robotics 研究员
【27届校招】Agentic Robotics 研究员
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公具身智能
具身智能
Pytorch
Vla
Vlm
世界模型
任务规划
具身智能
多模态模型
大语言模型
智能体系统
值不值得投
薪资怎么样
2.8万
比具身智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
17 个在招 · 其中具身智能 13 个
市场机会
选择不多
宁波 · 具身智能 · 1 个在招
职位详情
关于这个职位
均胜电子通用具身大脑团队面向2027届研究生招聘的具身智能研究岗，你将构建能理解复杂指令、自主拆解任务并闭环执行的机器人智能体系统，重点攻关长期记忆、自我进化与长程任务规划
工作以算法研究、系统集成与真机评测为主线，研究成果将用于真实机器人操作与导航场景
最低要求
计算机、人工智能、自动化、机器人工程、认知科学、数学等相关专业硕士及以上学历，博士优先
编程与算法基础扎实，熟练掌握 Python、PyTorch 和 Linux 开发环境，具备大语言模型、多模态模型、机器人学习或智能体系统相关研发经验
深入理解智能体架构、长期记忆、任务规划、持续学习和自我反思等技术，熟悉上下文管理、记忆检索与更新、经验回放或自主课程学习中的一种或多种方向
具备从算法设计、系统集成到闭环评测的完整实践能力
了解 VLM、VLA、世界模型及机器人策略模型的基本原理与能力边界，能够分析并解决长程任务中的规划错误、记忆污染、灾难性遗忘和执行偏差等问题
工作职责
负责面向具身智能的 Agentic Robotics 研究与开发，构建能够理解复杂指令、自主分解任务、制定计划并闭环执行的机器人智能体系统
研究机器人智能体的长期记忆机制，包括情景记忆、语义记忆、技能记忆和环境记忆，探索记忆的生成、检索、更新、压缩与遗忘，提升机器人在长程任务中的一致性和持续学习能力
探索机器人智能体的自我进化能力，通过自主探索、经验积累、失败反思、策略修正、技能沉淀和课程生成，构建“执行—反馈—反思—学习—再执行”的持续迭代闭环
研究任务规划、技能调用、工具使用、异常检测和自主恢复等关键技术，推动机器人智能体在操作、导航及复杂长程任务中的训练、评测与真实系统落地
优先资格
具备智能体长期记忆、持续学习、自我反思、自主课程生成或经验驱动策略迭代相关研究经验
具备机器人长程任务规划、分层策略、技能库、工具调用、行为树或多智能体协作相关经验
具备真实机器人操作、导航、移动操作、在线学习、失败恢复或软硬件联调经验
在 CoRL、RSS、ICRA、IROS、NeurIPS、ICML、ICLR、ACL、CVPR 等会议发表过相关论文，或拥有具有影响力的开源项目及工业级智能体系统落地经验者加分
AI 洞察
优缺点分析
优点
- 方向契合具身智能与 Agentic AI 的前沿热点，长期记忆、自我进化等课题学术价值与产业价值兼具
- 岗位同时覆盖算法研究、系统集成与真机评测，能积累从方法到落地的完整闭环经验
- 明确鼓励在 CoRL、RSS、ICRA、NeurIPS 等顶会发表成果，对后续学术或工业界发展都有加成
- 背靠实体制造企业，机器人智能技术有机会接触真实场景与硬件平台
- 研究方向较新，很多问题（记忆压缩与遗忘、长程规划稳定性）在学术界尚无成熟答案，需要较强的探索与试错能力
- 适合具备硕士及以上学历、对具身智能与智能体系统有强烈研究兴趣，既有顶会论文或相关项目积累、又愿意下真机做工程落地的应届研究者
缺点 / 挑战
- 同时要求算法与真机联调能力，工程与硬件调试投入的时间成本较高
- 研究型岗位对论文产出与项目落地往往双重期待，节奏和考核压力需要提前了解
角色解读
- 短期可在智能体架构与机器人学习方向快速积累研究与工程经验，产出论文或开源成果
- 中期可成长为具身智能算法负责人，独立带方向、带小组，主导记忆、规划或自进化等模块
- 长期可向具身大模型/机器人智能体技术专家或团队管理方向发展，在机器人、智能制造与通用人工智能交叉领域拓展
- 研究并搭建面向具身智能的机器人智能体（Agentic Robotics）系统，让机器人能理解复杂指令、自主拆解任务、制定计划并闭环执行
- 设计智能体的长期记忆机制（情景、语义、技能、环境记忆），解决长程任务中的一致性与记忆污染问题
- 探索智能体的自我进化闭环，包括自主探索、失败反思、策略修正与技能沉淀
- 把任务规划、技能调用、工具使用、异常检测与自主恢复等能力在真机操作与导航任务上训练、评测并落地
- 扎实的编程与算法功底，熟练使用 Python、PyTorch 与 Linux 开发环境
- 理解大语言模型、多模态模型、VLM/VLA、世界模型与机器人策略模型的原理与能力边界
- 掌握智能体架构、长期记忆、任务规划、持续学习、自我反思等技术，熟悉上下文管理、记忆检索更新、经验回放或自主课程学习之一
- 具备从算法设计、系统集成到闭环评测的完整实践能力，能定位规划错误、灾难性遗忘、执行偏差等问题
申请策略
- 面试前了解均胜电子在机器人、智能驾驶与智能制造方向的业务布局，以及“通用具身大脑”团队的定位，思考你的研究如何贴合其落地场景
- 主动准备一页研究计划，说明入职后想切入的记忆机制或自进化方向，体现课题判断力
- 突出与大模型智能体、长期记忆、任务规划、持续学习直接相关的科研项目或实习经历，写清你负责的模块与结果
- 量化呈现成果，如真机任务成功率提升、长程任务完成步数、论文与开源项目影响力
- 列出 VLM/VLA、世界模型、强化学习、记忆机制等具体技术栈及使用深度，而非泛泛写“熟悉 AI”
- 有顶会论文、开源仓库或机器人竞赛经历务必放在显眼位置，并附链接
- 补齐具身智能相关的系统知识：VLA/RT-2 类策略模型、世界模型、分层策略与技能库、行为树与工具调用框架
- 动手复现一两个开源机器人智能体或长程任务规划项目，最好能在仿真或真机上跑通“执行—反馈—反思—再执行”的闭环
面试指南
- 项目类问题用 STAR 结构：背景与任务难点 → 你的具体方案与关键技术选择 → 评测指标与量化结果 → 反思与可改进点
- 技术开放题先给整体框架（如记忆分层、规划-执行-反思分层），再展开 1-2 个重点模块的细节与取舍理由，最后说明验证方式
- 遇到不确定的问题，坦诚说明边界，并给出你会如何验证的实验设计，体现研究者的思维方式
- 请介绍你做过的一个智能体或机器人学习项目，如何定义问题、设计方法和评测闭环？
- 机器人智能体的长期记忆应该如何设计？记忆的生成、检索、压缩与遗忘你会怎么权衡？
- 长程任务中出现规划错误、记忆污染或执行偏差时，你的排查与恢复思路是什么？
- 你如何理解 VLM/VLA 与世界模型的能力边界？在机器人策略中应如何组合使用？
- 如果要让机器人具备“执行—反馈—反思—学习—再执行”的自我进化能力，你会怎样设计课程生成与经验回放机制？
Watch Jobs