均胜电子
【27届校招】机器人Agent工程师 (Planning)
【27届校招】机器人Agent工程师 (Planning)
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
Ros 2
任务规划
具身智能
大语言模型(Llm)
工具调用
智能体框架
行为树
视觉语言模型(Vlm)
值不值得投
薪资怎么样
1.8万
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
加入均胜电子「通用具身大脑」团队，负责具身智能体平台的规划与推理层：把用户的自然语言目标拆解成由感知、导航、操作、交互技能组成的可执行计划，并让大模型与视觉语言模型通过结构化工具调用真正驱动机器人完成任务
你需要在仿真环境和实体机械臂、轮式机器人、四足机器人和人形机器人上验证规划行为，并搭建安全兜底与失败重规划机制
最低要求
机器人学、计算机科学、人工智能或相关专业本科及以上学历
有相关研究或项目经验的应届毕业生亦可申请
熟练掌握 Python
具有使用大语言模型、智能体框架、工具调用或结构化模型输出构建应用的实践经验
对规划、搜索、任务分解、状态机、决策及相关算法有良好的理解
能够设计评估方案、分析失败模式，并通过系统性实验改进智能体行为
熟悉机器人基础知识，并具有 ROS 2、仿真或实体机器人项目经验
具备良好的中文书面和口头表达能力
工作职责
开发具身智能体平台的规划与推理层，使机器人能够将自然语言目标转化为可靠的物理动作
将用户目标转化为由感知、导航、操作和交互技能组成的结构化可执行计划
设计任务分解、技能选择、参数落地、前置条件检查、状态跟踪以及失败后重新规划等机制
结合机器人状态、感知结果、空间环境、记忆、用户约束以及此前动作的实际结果，为智能体决策提供现实依据
通过结构化工具调用集成并评估大语言模型和视觉语言模型，重点关注位于导航规划器和机械臂运动规划器之上的任务级规划
为物理执行建立安全保障机制，包括计划验证、不确定性处理、执行监控、恢复策略以及必要时的人工确认
在仿真环境和实体机械臂、轮式机器人、四足机器人及人形机器人上测试规划行为，覆盖工厂取放和户外末端配送等应用场景
优先资格
具有具身人工智能、基于大语言模型或视觉语言模型的机器人技术，或自主智能体相关研究或项目经验
具有行为树、任务图、PDDL、分层规划或类似规划表示方法的经验
具有空间记忆、世界模型、多模态感知或智能体检索系统相关经验
具有在边缘计算平台或实体机器人上部署模型或智能体的经验
具有使用 C++ 或 Rust 开发机器人软件的经验
具备良好的英语沟通能力者优先
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、履历稀缺度高
- 岗位覆盖从算法设计到真机部署的完整链路，能积累端到端系统能力而非单点调参
- 有工厂取放、户外末端配送等真实落地场景可验证规划效果，工作成果可被检验
- 校招岗明确接受有相关研究或项目经验的应届生，对新人较为友好
- 具身智能落地难度大，规划层常需直面真机不确定性、任务失败率高、迭代周期长的现实
- 需要同时掌握 LLM Agent 与机器人规划两套知识体系，学习曲线较陡
- 多类机器人平台与多场景测试会带来较密的调试排期，受硬件与现场条件制约
- 适合对机器人与大模型结合有强烈兴趣、愿意在真机上反复试错、并具备较强工程实现与实验分析能力的应届生（本科/硕士均可）
缺点 / 挑战
暂无明显挑战项
角色解读
- 从任务级规划工程师逐步成长为具身智能体系统负责人，主导从感知到执行的完整决策链路
- 可横向拓展到 VLA 模型、强化学习、世界模型等更前沿方向，或转向机器人产品与技术管理
- 具身智能仍处早期阶段，早期加入者更容易积累端到端系统经验与稀缺履历
- 开发具身智能体的规划与推理层，把用户的自然语言目标翻译成机器人可执行的物理动作序列
- 负责任务分解与技能编排：把目标拆成感知、导航、操作、交互等子技能，并处理参数落地、前置条件检查与状态跟踪
- 集成并评估大语言模型/视觉语言模型在任务级规划中的表现，通过结构化工具调用连接导航规划器与机械臂运动规划器
- 在仿真与实体机器人（机械臂、轮式、四足、人形）上验证规划行为，建立计划验证、执行监控、失败重规划等安全兜底机制
- 扎实的 Python 工程能力，理解规划、搜索、任务分解、状态机、分层规划等经典算法
- 有 LLM/Agent 框架、工具调用、结构化模型输出的实际应用经验，能把模型能力约束为可靠的工程流程
- 熟悉机器人基础知识与 ROS 2，具备仿真或实体机器人项目经验
- 具备实验设计与失败模式分析能力
- 行为树、PDDL、世界模型、C++/Rust 为加分项
申请策略
- 提前了解「通用具身大脑-超平面机器人」团队的方向，面试中体现对工厂取放、末端配送等场景的理解
- 准备一个能讲透失败与改进的项目案例，说明如何定位失败模式并用实验迭代优化
- 突出 LLM/Agent 项目：工具调用、结构化输出、任务分解、ReAct 或 Plan-and-Execute 类实现
- 写清 ROS 2、仿真环境与真机（机械臂/移动机器人/四足）经验中的具体角色与产出
- 展示规划算法功底，列出实际用过的表示方法，如搜索、状态机、行为树、PDDL、任务图
- 用数据量化结果，例如任务成功率提升、规划耗时下降、失败模式覆盖情况
- 做完整 Agent 项目：从自然语言目标 → 任务图 → 工具调用 → 执行监控与重规划的闭环
- 熟悉 ROS 2 与至少一种仿真平台，能独立跑通导航加抓取的端到端 demo
面试指南
- 结构化拆解：先界定输入、输出与约束，再讲模块划分（感知—规划—执行—监控），最后给评估与失败处理方案
- 用项目实证：每个概念都挂一个自己做过的例子，说明技术选型理由与权衡
- 承认不确定性：对开放问题给出「方案 + 风险 + 验证方式」，而不是只给结论
- 如何把「把桌上的零件放进料箱」这样的自然语言目标转化为可执行的计划？
- 你如何评估一个 LLM 驱动的任务规划器？会设计哪些指标与实验？
- 执行中机械臂抓取失败了，你的重规划与恢复策略如何设计？
- 谈谈你对行为树、PDDL、分层规划的理解，它们在 LLM Agent 时代还有哪些价值？
- 如何保证 LLM 输出的计划在物理执行中是安全可靠的？
Watch Jobs