阿里巴巴
研究型实习生-Agentic RL Infra工程师
研究型实习生-Agentic RL Infra工程师
发布于 1 小时前实习/见习
实习生仅现场办公AI算法
AI算法
Agentic Rl
Llm Infra
Ppo
Pytorch
Slime
System Design
Verl
分布式训练
值不值得投
66综合评分
综合评分 66
顶尖大厂前沿技术实习，技能成长极快，技术含金量高，但工作强度较大
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，方便比较实习机会。
薪资怎么样
6.0千
比AI算法中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 4680 个在招 · 其中AI算法 44 个
市场机会
选择适中
杭州 · AI算法 · 43 个在招
职位详情
关于这个职位
作为研究型实习生，你将负责构建面向大模型 Agent（如 Coding/Research Agent）的强化学习基础设施
工作涉及高性能训练系统开发、异步架构优化、黑盒 Agent RL 训练支持及大规模分布式训练稳定性保障，旨在支撑复杂智能体的快速迭代与高效训练
最低要求
具备 slime、veRL、OpenRLHF、TRL 或其他成熟 LLM RL 框架的实际使用、二次开发或核心模块建设经验
理解 PPO、GRPO、GSPO 等大模型强化学习算法，熟悉 On-policy、Off-policy、Importance Sampling 和 Policy Staleness 等概念
深入理解同步与异步 RL 的执行原理，能够分析 Fully Async、Colocate 与训推分离在吞吐、通信和稳定性上的权衡
熟悉 Agentic Rollout，理解多轮交互、工具调用、长轨迹、环境反馈及黑盒 Agent 的训练数据构造方法
理解训练与推理一致性问题，熟悉 Policy 参数同步、版本控制以及 MoE Router 一致性等机制
熟练掌握 Python 和 PyTorch，熟悉 Megatron-LM、FSDP、Ray 等分布式训练或调度技术中的一种或多种
具备良好的系统设计、性能分析和复杂问题排查能力
工作职责
熟悉 slime、veRL 等框架，建设高性能、可扩展的 Agentic RL 训练系统
设计优化同步、异步架构，解决长尾 Rollout 优化 Colocate、训推分离或混合部署方案
支持 Claude Code 类黑盒 Agent 的 RL 训练，包括多轮模型调用、工具交互、轨迹采集与还原、Action Mask、Logprob 对齐
优化训推一致性和异步policy问题，建立 Policy Version 等机制，实践 R3、Staleness control、样本过滤等方案
建设训练端到推理端的 Policy 参数同步能力，包括权重转换、分发、重分片、版本管理及原子切换
定位并优化任务调度、资源利用率和训练稳定性问题
持续优化多机多卡训练的性能、稳定性、容错能力和可观测性
优先资格
熟悉 SGLang、vLLM、TensorRT-LLM 等推理引擎
有 Coding Agent、Search Agent 或其他长链路 Agent 的 RL 训练经验
有 MoE、R3、异步 RL Staleness Control 或大规模 Policy Weight Sync 的实践经验
有大规模 GPU 集群、RDMA/NCCL 通信、任务调度或生产级 RL 平台建设经验
AI 洞察
优缺点分析
优点
- 接触业界最前沿的 Agentic RL 领域，技术栈极具竞争力
- 依托阿里顶级算力与数据资源，项目含金量高
- 导师通常为资深技术专家
- 技术门槛极高，需同时具备深厚的算法理论功底和强大的系统工程能力
- 工作节奏快，对代码质量和系统稳定性要求严苛
- 计算机/AI 相关专业硕士及以上在校生，具备扎实的编程基础和科研能力，对底层系统优化有浓厚兴趣的同学
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向 AI 基础设施专家、大模型算法研究员或系统架构师方向发展，积累大规模分布式系统设计与前沿 AI 算法落地的双重经验
- 负责搭建和维护大模型 Agent 强化学习（RL）的基础设施平台，确保训练系统的高性能与可扩展性
- 精通 Python/PyTorch，深入理解 PPO/GRPO 等 RL 算法原理，掌握分布式训练框架（如 Megatron、Ray）及系统优化技巧
申请策略
- 准备一份详细的技术文档或 GitHub 项目，展示你对 RL Infra 痛点的理解和解决方案
- 面试前复习分布式通信原理（NCCL/RDMA）
- 突出 LLM RL 框架（如 veRL/slime）的使用或二次开发经历
- 展示分布式训练调优的具体案例（如吞吐量提升、显存优化）
- 强调算法理论与工程实现的结合能力
- 深入研读 PPO/GRPO 论文并复现核心逻辑
- 熟悉 Ray/Megatron-LM 等分布式框架源码
- 了解 Agentic Workflow 的数据构造难点
面试指南
- 采用 STAR 法则描述项目经历，重点阐述遇到的具体技术瓶颈、采用的理论依据、实施的工程手段以及最终量化的效果指标
- 请解释 PPO 中 Clip 机制的作用及其局限性
- 如何在大规模分布式训练中处理策略网络（Policy）与价值网络（Value）的参数同步延迟？
- 面对长尾 Rollout 导致的训练不稳定，你会从哪些维度进行排查和优化？
- 比较 Fully Async 与 Colocate 架构在吞吐量和通信开销上的差异
- 复习强化学习基础理论（MDP、Bellman Equation）
- 梳理分布式训练中的数据并行、模型并行、张量并行区别
- 了解最新 Agentic RL 相关论文
职位点评
薪资福利70
成长发展95
工作生活30
使命价值80
薪资福利
70中等
作为头部大厂的研究型实习，薪资虽非最高但高于市场平均水平，且享有完善的员工福利体系和高品牌背书，补偿性动机满足度较好。
薪资信号未披露（AI估算：4.0–8.0千/月）
成长发展
95较高
该职位处于 AI 领域最前沿的 Agentic RL 方向，技术栈极其硬核，能提供极高的技能成长空间和稀缺的项目经验，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈Agentic RL、slime、veRL、PPO、GRPO、PyTorch、Megatron-LM、Ray、MoE
业务类型profit_center
工作生活
30较低
互联网大厂高强度工作环境，且涉及底层系统优化和大规模训练调试，通常伴随较高的工作强度和压力，生活化动机满足度较低。
工作模式未明确
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
80较高
致力于推动大模型 Agent 技术的发展，属于人工智能领域的核心突破方向，具有显著的行业创新价值和技术使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs