小红书
【2027校招】Agent/大模型算法工程师-rednote国际化
【2027校招】Agent/大模型算法工程师-rednote国际化
发布于 大约 16 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Multi-Agent
Rlhf
Sft
Vlm
内容安全
多模态
强化学习
值不值得投
62综合评分
综合评分 62
技术前沿、成长性极高的校招算法岗，薪资与WLB信息待明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
35K
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1380 个在招 · 其中人工智能 33 个
市场机会
选择面较广
北京 · 人工智能 · 约 370 个在招
职位详情
关于这个职位
该职位是小红书国际化团队的校招算法工程师岗位，专注于利用大模型和Agent技术构建面向全球的智能内容安全与治理系统
核心是融合多模态信号进行内容风险识别、构建内容分级体系，并研发复杂的AI Agent系统，同时参与大语言模型的训练优化，以技术驱动公司全球化业务的安全与体验提升
最低要求
本科及以上学历，计算机科学与技术、人工智能、计算机、机器学习、大数据、数学等相关专业
对大模型和Agent有较深入的理解，熟悉常见的LLM实施模式、PE、RAG、评估框架等，熟悉主流 Agent 架构（Multi-Agent、Context Engineering/Management、ReAct/PlanAct/CodeAct），了解Agent相关的交互协议（MCP、A2A、FunctionCall）
熟悉Agentic RL等方法，了解相关 Infra（例如CodeRL，Reward System），能针对特定问题开展SFT、RL训练优化
具备良好的学术视野和开拓精神，勇于钻研新技术，能主动思考、主动作为反馈
有CVPR/ICCV/NeurIPS/ICLR/ACL/EMNLP/KDD 等顶会论文发表经历更佳
工作职责
基于VLM/Agent等 AI 能力，融合图文/视频笔记的文本、图像、视频、音频等多维度信号，覆盖笔记、评论、账号、交易、直播等多体裁场景的国际化内容风险识别与处置，持续提升主动召回能力，实现风险、体验、效率的协同优化
建立并持续演进 Rednote 的内容特征体系与内容分级系统，输出结果应用于治理中的处置判罚以及搜推流控等核心链路，为 Rednote 全球生态的内容质量与安全构建长期竞争壁垒
负责面向 Rednote 治理、内容理解、编辑等核心场景的 Agent 系统端到端研发，涵盖 ReAct / Tool Use / Multi-Agent 架构、意图理解与任务规划
深度参与 Agent 效果优化——从工具设计、上下文管理、编排策略到 Agentic RL 的 Post-Training，产出效果领先的产品
深度参与LLM/VLM 的预训练、SFT、RL 等全链路训练，参与构建多模态内容理解、编辑、生成等 AI 基础能力，推动 AI 从技术到业务价值的闭环落地
持续追踪AI Agent领域的最新进展，引入并验证新技术的可行性，沉淀技术文档与最佳实践，推动前沿技术在rednote业务中的应用，保持团队的技术领先性，沉淀国际顶会论文（CVPR/NeurIPS/ICLR/ACL 等）
AI 洞察
优缺点分析
优点
- 技术栈非常前沿，能够直接接触和应用LLM、Agent、多模态等最新的AI技术
- 业务场景国际化且规模巨大，对算法的要求高，能快速积累高价值项目经验
- 有机会参与从算法研究到产品落地的全流程，形成技术闭环
- 技术深度要求高，需要快速掌握并精通多个复杂AI领域的知识
- 国际化业务面临多语言、多文化的复杂场景，对算法的泛化能力要求极高
- 具备扎实AI算法基础、对大模型和Agent技术有浓厚兴趣、拥有优秀学术潜力和工程实践能力的顶尖计算机相关专业应届生
缺点 / 挑战
- 公司平台成长性好，处于高速发展期，个人成长天花板较高
- 校招岗位对论文发表和新技术实践能力有明确期望，压力与挑战并存
角色解读
- 技术专家路线：深耕内容安全与多模态AI领域，成为公司内外的技术权威
- 技术管理路线：在积累丰富经验后，可带领团队负责更大规模的技术体系或业务方向
- 学术与工程结合：持续在顶尖会议发表成果，同时推动技术产业化，成为行业内的复合型专家
- 设计和开发基于大模型和多模态Agent的内容安全识别系统，处理全球用户产生的图文、视频、评论等多体裁内容风险
- 构建和维护面向内容治理与理解的AI Agent系统，包括任务规划、工具调用和多智能体协作
- 参与大语言模型和视觉语言模型的全链路训练与优化，包括监督微调和强化学习
- 追踪AI Agent领域前沿技术，并将其落地到实际业务中，产出技术成果和学术论文
- 扎实的机器学习与深度学习基础，特别是对LLM、VLM、Agent技术有深入的理解和实践经验
- 熟悉主流Agent架构、协议及训练方法，如ReAct、Multi-Agent、Agentic RL等
- 具备多模态数据处理能力，能够融合文本、图像、视频等信号进行建模
- 良好的工程能力与学术素养，能够进行算法研发、系统构建以及顶会论文写作
申请策略
- 深入理解小红书的业务形态（内容社区+电商），思考AI技术如何具体赋能内容安全与生态治理
- 在面试中展现清晰的逻辑思维、对技术的热情以及良好的沟通表达能力
- 重点突出与LLM、VLM、Agent、多模态、强化学习相关的项目经历或研究经验
- 如有顶会论文（特别是CVPR/NeurIPS/ICLR/ACL等），需在简历显著位置列出
- 展示解决复杂实际问题的能力，例如在内容安全、推荐系统或类似领域的实践
- 强调技术好奇心、主动钻研精神以及推动技术落地的能力
- 系统复习并深化对Agent架构（如ReAct、Multi-Agent）、LLM训练范式（SFT, RLHF）的理解
- 关注AI Agent领域的最新论文和技术博客，了解业界前沿动态
面试指南
- 采用STAR法则（情境、任务、行动、结果）清晰描述项目经验，并突出个人贡献和技术思考深度
- 回答技术概念时，先阐述基本原理，再结合具体场景说明其适用性和潜在挑战，展示系统思考能力
- 面对开放性设计问题，从目标定义、数据特点、技术选型、效果评估等多个维度结构化回答
- 请介绍一个你印象最深的与大模型或Agent相关的项目/研究，你在其中负责什么，遇到了哪些挑战，如何解决的？
- 请解释一下你对ReAct架构的理解，以及它与传统规划方法相比有何优势？在实际应用中可能遇到哪些问题？
- 如何评估一个多模态Agent在内容风险识别任务上的效果？你会设计哪些指标？
- 如果让你为小红书的海外内容生态设计一个风险识别Agent，你会如何构思整体架构和技术方案？
- 重新梳理自己的项目经历，提炼出能体现技术深度和解决复杂问题能力的亮点
职位点评
薪资福利40
成长发展95
工作生活50
使命价值70
薪资福利
40较低
该职位为校招岗位，JD未提供任何薪资与福利信息，补偿性动机的满足程度无法从职位描述中判断。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
95较高
该职位技术栈处于AI前沿（Agent、VLM、LLM训练），并鼓励论文发表和新技术探索，提供了极佳的技能成长和学术发展空间。
技术前沿前沿/新兴技术
技术栈VLM、Agent、LLM、ReAct、Multi-Agent、Agentic RL、SFT、RAG、MCP、A2A、FunctionCall、CodeRL
成长机会沉淀国际顶会论文
业务类型profit_center
工作生活
50较低
JD中未明确说明工作模式和WLB情况，仅提及多个工作城市选项，无法评估工作生活的平衡程度。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
该职位服务于内容平台的安全与生态建设，具有一定的社会价值。所在AI行业处于高速增长赛道，但JD未强调明确的使命宣言。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
小红书 的其他在招职位
相似职位推荐
Watch Jobs