均胜电子
具身Agent实习生
具身Agent实习生
发布于 2 小时前实习/见习
实习生仅现场办公具身智能
具身智能
Pytorch
任务规划
大语言模型
强化学习
持续学习
机器人仿真
检索增强
长期记忆
值不值得投
薪资怎么样
6.0千
比具身智能中位数低
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
该岗位面向在读本科、硕士或博士，参与具身智能体（Agent）算法研发，让机器人理解复杂指令、自主拆解任务、制定计划并调用技能完成操作
你将研究 Agent 的长期记忆与自我进化机制，并在仿真环境或真实机器人平台上完成实验验证与效果分析
最低要求
计算机、人工智能、自动化、机器人工程、认知科学、数学等相关专业本科、硕士或博士在读
编程基础扎实，熟练掌握 Python，熟悉 PyTorch 和 Linux 开发环境，具备良好的算法实现、代码调试和实验复现能力
熟悉大语言模型、智能体、任务规划、检索增强、长期记忆、持续学习或强化学习中的至少一个方向，能够阅读并复现相关前沿工作
具备良好的逻辑分析、实验设计和问题解决能力，自驱力强，能够持续实习并与团队高效协作
工作职责
参与具身智能体算法研究与开发，构建能够理解复杂指令、自主分解任务、制定计划并调用机器人技能完成任务的 Agent 系统
研究具身 Agent 的长期记忆机制，包括任务经验、环境信息、技能知识和失败案例的存储、检索、更新与压缩，提升长程任务中的执行一致性
探索具身 Agent 的自我进化能力，研究经验积累、失败反思、策略修正、技能沉淀和自主课程生成，构建持续学习与迭代闭环
参与任务规划、技能调用、异常检测和失败恢复等模块的开发，并在仿真环境或真实机器人平台上完成实验验证与效果分析
优先资格
具备 Agent、长期记忆、自我反思、持续学习、任务规划或技能学习相关科研和项目经验
熟悉多智能体、工具调用、行为树、代码生成、经验回放或自主课程学习等技术
具备机器人操作、导航、仿真环境或真实机器人实验经验
拥有高质量开源项目、机器人或算法竞赛成绩，以及高水平会议论文者优先
AI 洞察
优缺点分析
优点
- 方向处于具身智能与大模型 Agent 的交叉前沿，技术栈新，长期成长空间大
- 覆盖从算法研究到仿真/真机验证的完整闭环，研究与工程能力可同步锻炼
- 研究主题明确（长期记忆、自我进化、任务规划），容易沉淀为论文或开源作品
- 依托汽车电子与机器人产业背景，成果有机会接触真实应用场景
- 具身 Agent 领域不确定性高，实验周期长、失败率高，需要较强耐心与自驱力
- 需要同时理解大模型算法与机器人系统，跨领域学习曲线较陡
- 适合对具身智能与大模型 Agent 有强烈兴趣，希望在读期间积累研究与工程双重经验、并能稳定投入较长时间的本科生或研究生
缺点 / 挑战
- 实习需保证较长连续投入，与在校课程或科研的平衡有一定压力
角色解读
- 从负责单个模块（如记忆检索、失败恢复）逐步独立承担一个子课题，形成完整研究闭环
- 积累「大模型 Agent + 机器人」的交叉经验，可发展为具身智能算法工程师或研究员
- 有机会沉淀论文、开源项目或真机实验成果，为读博或进入前沿具身智能团队打基础
- 参与具身智能体（Agent）算法研发，让机器人能理解复杂指令、自主拆解任务、制定计划并调用技能完成操作
- 研究 Agent 的长期记忆机制，包括任务经验、环境信息、技能知识与失败案例的存储、检索、更新和压缩
- 探索 Agent 的自我进化能力，通过经验积累、失败反思、策略修正、技能沉淀和自主课程生成形成持续学习闭环
- 开发任务规划、技能调用、异常检测与失败恢复等模块，并在仿真或真实机器人平台上做实验验证
- 扎实的 Python 编程能力，熟悉 PyTorch 与 Linux 开发环境，能独立完成算法实现与论文实验复现
- 在大语言模型、智能体、任务规划、检索增强、长期记忆、持续学习或强化学习中至少熟悉一个方向
- 具备实验设计与问题分析能力，能从失败实验中定位问题并迭代方案
- 自驱力强，能长期稳定实习并与跨方向团队高效协作
申请策略
- 实习岗最看重时间投入，建议在简历和邮件中明确可实习起止时间与每周到岗天数
- 提前了解均胜电子在具身智能与机器人方向的业务布局，面试时体现你与团队方向的匹配度
- 突出 Python / PyTorch 项目经历与论文复现能力，附 GitHub 或代码链接
- 展示 LLM Agent、任务规划、检索增强、记忆机制或强化学习相关的科研与课程项目
- 如有机器人仿真（Isaac Sim、MuJoCo、PyBullet）或真机实验经验，务必单独列出
- 列明竞赛成绩、开源项目与论文发表情况，并注明可实习时长与每周到岗天数
- 快速熟悉主流 Agent 框架（如 LangChain、LangGraph）与工具调用范式
- 补强强化学习与持续学习基础，理解经验回放、课程学习、失败反思等方法
面试指南
- 结构化作答：先讲问题定义与目标，再讲方案设计与取舍，最后讲实验验证与结论
- 结合真实项目：用自己做过的工作说明技术细节与踩坑经验，避免只谈概念
- 体现前沿理解：引用近期代表工作并指出其局限与你的改进思路
- 你会如何设计一个能理解复杂指令并自主分解任务的具身 Agent 系统？
- 长程任务中的长期记忆该如何存储、检索与压缩？请给出你的实现思路
- 如何让 Agent 从失败中反思并迭代策略？能举例说明吗？
- 请介绍一个你复现过的 LLM / Agent / 强化学习相关工作，遇到什么问题、如何解决？
- 你在机器人仿真或真机实验方面有哪些经验？
Watch Jobs