均胜电子
Agentic Robotics 研究工程师
Agentic Robotics 研究工程师
发布于 1 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
任务规划
具身智能
长期记忆
值不值得投
70综合评分
综合评分 70
前沿具身智能研究岗，技术成长性强，但薪资福利与工作节奏需面试确认。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
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
该职位聚焦具身智能中的 Agentic Robotics，研发能够理解复杂指令、自主分解任务、制定计划并闭环执行的机器人智能体
你将研究长期记忆、自我进化、任务规划与技能调用等核心能力，并推动其在操作、导航和长程任务中的真实系统落地
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
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
博士优先
AI 洞察
优缺点分析
优点
- 方向前沿：聚焦 Agentic Robotics、长期记忆和自我进化，属于具身智能核心议题
- 技术闭环完整：覆盖算法设计、系统集成、训练评测与真实机器人落地
- 研究空间大：任务规划、记忆机制、自主恢复等均有持续探索和产出机会
- 行业关注度高：具身智能与通用机器人是当前热门赛道，经验具备迁移价值
- 技术难度高：长程任务中的规划错误、记忆污染、灾难性遗忘等问题尚无成熟方案
- 系统复杂：需要同时理解模型、机器人策略和真实系统评测，工程与算法结合紧密
- 适合对具身智能和机器人智能体有强烈兴趣，具备扎实算法与工程能力，愿意在真实系统中长期打磨的硕士/博士候选人
缺点 / 挑战
- 研究落地不确定：前沿探索可能需要反复试错，对自驱力和耐心要求较高
角色解读
- 可沿机器人智能体/具身智能研究路线成长为资深研究工程师或技术专家
- 随着系统落地经验积累，可承担更大范围的技术方案设计与跨团队协作
- 也可向具身智能产品化、算法平台或机器人系统架构方向发展
- 研发面向具身智能的 Agentic Robotics 系统，让机器人能理解复杂指令并自主分解任务
- 构建任务规划、技能调用、工具使用与闭环执行能力，覆盖操作、导航和长程任务
- 研究机器人长期记忆机制，包括情景、语义、技能和环境记忆的生成、检索、更新与压缩
- 探索自我进化闭环，通过反馈、反思、策略修正和技能沉淀提升持续学习能力
- 扎实的 Python、PyTorch 和 Linux 开发能力，能完成算法实现与系统集成
- 理解智能体架构、任务规划、长期记忆、持续学习和自我反思等核心概念
- 熟悉 LLM、多模态模型、VLM、VLA、世界模型或机器人策略模型中的至少一个方向
- 具备从算法设计到闭环评测的完整实践能力，能定位规划错误、记忆污染和执行偏差
申请策略
- 投递前了解均胜电子在机器人/具身智能方向的业务布局，面试中结合团队方向表达研究兴趣
- 可主动询问团队当前机器人平台、数据规模和真机评测条件，判断研究落地空间
- 突出智能体系统项目：展示任务规划、工具调用、闭环执行或长期记忆相关实践
- 量化机器人学习/多模态模型成果：如训练评测指标、真实机器人任务成功率或系统落地范围
- 体现完整工程能力：包括 Python/PyTorch 实现、Linux 环境、系统集成与评测 pipeline
- 若有 VLM/VLA/世界模型/策略模型经验，建议在项目中明确说明承担模块和效果
- 补强具身智能核心知识：智能体架构、记忆检索与更新、经验回放、课程学习
- 熟悉机器人策略模型与 VLA/VLM 的基本原理，理解其在长程任务中的能力边界
面试指南
- 用“问题定义—系统架构—关键模块—评测指标”的结构回答，先讲清目标和约束
- 结合具体项目说明你如何做技术选型、踩过哪些坑、如何量化改进
- 对开放研究问题，给出假设、实验设计和失败恢复机制，体现研究思维与工程闭环
- 你如何设计一个能理解复杂指令并自主分解任务的机器人智能体系统？
- 机器人长期记忆应该如何表示、检索、更新和遗忘？如何避免记忆污染？
- 如何构建“执行—反馈—反思—学习—再执行”的自我进化闭环？
- 长程任务中出现规划错误或执行偏差时，你会如何检测和恢复？
- 你如何评价 VLM、VLA、世界模型和机器人策略模型的能力边界？
职位点评
薪资福利60
成长发展90
工作生活50
使命价值85
薪资福利
60中等
JD未披露薪资、奖金与福利信息，补偿性吸引力需通过面试沟通确认；岗位技术门槛较高，具备一定议价空间。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位处于具身智能与 Agentic Robotics 前沿，覆盖长期记忆、自我进化、任务规划与真实系统落地，研究与工程闭环完整，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Agentic Robotics、具身智能、机器人智能体、长期记忆、任务规划、自我进化、Python、PyTorch、VLM、VLA、世界模型、机器人策略模型
业务类型ambiguous
工作生活
50较低
JD未提及办公模式、弹性工时或加班情况，工作节奏与到岗要求需在面试中进一步确认。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
岗位面向具身智能和通用机器人智能体，属于机器人自主性提升的前沿方向，技术探索和落地价值较高。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs