蚂蚁集团
蚂蚁集团-Code Agent 后训练算法专家-健康事业群
蚂蚁集团-Code Agent 后训练算法专家-健康事业群
发布于 大约 1 个月前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Deepspeed
Megatron-Lm
代码生成
分布式训练
后训练
大语言模型
奖励模型
强化学习
值不值得投
78综合评分
综合评分 78
前沿AI算法岗位，技术挑战高，成长空间大，但WLB未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
50K
与人工智能中位数基本持平
发布情况
长期在招 · 38 天前发布
公司情况
这家公司招聘很活跃
约 910 个在招 · 其中人工智能 17 个
市场机会
选择面较广
杭州 · 人工智能 · 约 270 个在招
职位详情
关于这个职位
该职位负责蚂蚁集团健康事业群的Code Agent强化学习算法专家岗位，核心工作是设计并落地大规模语言模型后训练阶段的强化学习体系，以提升代码生成、编辑、调试等智能体行为的性能
工作涉及构建代码执行环境、设计奖励模型、优化训练稳定性，并探索模型泛化与自我进化机制
最低要求
学历背景：硕士/博士学位，计算机科学、人工智能、软件工程、数学、自动化或相关专业优先
编程与工程能力：具备扎实的编程功底与软件工程素养，精通Python，熟悉C/C++
对代码生成、程序分析、编译原理、软件测试等领域有系统性理解
能够独立构建和维护复杂的实验pipeline，具备良好的代码规范与工程落地能力
强化学习理论与实践：深入理解强化学习核心理论（PPO、GRPO、DPO及其变体），能够从数学原理层面分析策略梯度估计的方差控制、KL散度约束、价值函数基线设计等关键问题
有将RL算法应用于语言模型后训练的实际经验，了解RLHF/RLAIF的完整技术栈
大语言模型后训练经验：熟悉大语言模型的SFT → Reward Modeling → RL全链路后训练流程，理解Alignment、Instruction Following、Chain-of-Thought等核心概念
有独立完成过至少一个完整后训练实验的经验，对训练过程中的常见问题（奖励坍缩、模式坍缩、过度优化等）有实际应对经验
分布式训练与系统优化：熟练掌握至少一种主流分布式训练框架（DeepSpeed、Megatron-LM、FSDP、veRL/OpenRLHF等），理解数据并行、模型并行、流水线并行的原理与工程实现
具备在大规模GPU集群上进行算法调优与性能排障的实战经验
研究能力与学术素养：具备优秀的文献调研与前沿追踪能力，能够快速消化最新研究成果并转化为可落地的技术方案
在NeurIPS、ICML、ICLR、ACL、EMNLP、ICSE、FSE等顶级会议或期刊发表过相关高质量论文者优先
自驱力与协作能力：具备极强的自驱力、好奇心与系统性拆解复杂问题的能力，能够在高度不确定性下独立探索技术方向
善于跨团队沟通协作，具备将研究想法高效推进到工程落地的执行力
对构建通用人工智能有发自内心的热情，愿意长期投入于充满挑战与未知的前沿课题
工作职责
Code Agent强化学习训练体系设计与落地：负责大规模语言模型在后训练阶段（Post-Training）面向Code Agent场景的核心算法研发，设计端到端的RL训练流程，涵盖代码生成、代码编辑、调试修复、测试驱动开发等多环节Agent行为的策略学习，探索在超长代码上下文与多轮工具交互场景下的训练稳定性与样本效率
代码环境交互与多步决策优化：构建真实且可扩展的代码执行沙箱环境（Sandbox），支持Agent与编译器、终端、测试框架、版本控制系统等工具的闭环交互
研究多步代码推理与规划算法（如Tree-of-Thought、Monte Carlo Tree Search在代码任务中的适配），提升模型在跨文件编辑、大型仓库级代码理解与修改、复杂Debug链路上的决策质量
代码奖励信号设计与奖励模型构建：设计多层次、细粒度的代码奖励信号体系，融合可执行性验证（编译通过、测试用例通过率）、代码质量评估（可读性、效率、安全性）、需求对齐度等多维度反馈
研究如何利用自动化测试生成、变异测试（Mutation Testing）、静态分析工具等构建可靠的过程奖励模型（Process Reward Model），解决代码场景中奖励稀疏、奖励欺骗（Reward Hacking）以及部分可观测性等核心难题
泛化性与迁移能力提升：研究如何通过后训练阶段的课程学习（Curriculum Learning）、跨语言/跨领域任务混合训练、元学习（Meta-Learning）等策略，提升Code Agent在未见编程语言、未见框架、未见任务类型上的零样本与少样本泛化能力
探索代码推理能力向通用推理（数学、逻辑、科学问题）的正向迁移路径，推动模型整体AGI泛化水平
数据飞轮与自我进化机制：设计Code Agent的自我对弈与自我改进闭环：通过Agent自主探索生成高质量训练轨迹（Trajectory），结合拒绝采样（Rejection Sampling）、自我验证（Self-Verification）、自我修复（Self-Repair）等机制构建可持续的数据飞轮，实现模型能力的迭代自举（Bootstrapping），减少对人工标注数据的依赖
大规模分布式训练系统与工程协同：与基础架构团队紧密协作，针对Code Agent训练中环境交互延迟高、轨迹长度动态变化、Action Space复杂等特点，设计并优化异步/同步混合的大规模分布式RL训练架构
解决长序列代码上下文下的显存瓶颈与吞吐效率问题，实现算法创新与系统性能的高效协同
优先资格
Code Agent实战经验：有SWE-bench、SWE-agent、OpenHands、Devin、Cursor等代码智能体相关项目的开发、复现或深度研究经验
或在Kaggle、USACO、Codeforces、IOI等编程竞赛中取得优异成绩
高性能计算与底层优化：具备CUDA编程、Triton算子开发、FlashAttention等高性能计算经验，能够针对长序列场景进行定制化的算子优化与显存优化
AI 洞察
优缺点分析
优点
- 直接参与前沿的通用人工智能研究，技术栈先进且具有行业影响力
- 蚂蚁集团平台资源丰富，支持大规模分布式训练和工程落地
- 健康事业群应用场景明确，能将技术成果快速应用于实际业务
- 技术难度极高，需要同时掌握算法理论、系统工程和领域知识
- 跨团队协作要求高，需平衡研究创新与工程实现
- 适合具有深厚强化学习背景、热爱AI研究、具备强工程能力和自驱力的高级算法工程师或研究人员，追求技术深度和行业影响力
缺点 / 挑战
- 研究压力大，需在高度不确定性中独立探索并产出高质量成果
角色解读
- 技术专家路径：深耕强化学习与代码智能体领域，成为算法架构师或首席科学家
- 管理路径：积累经验后可能带领算法团队，负责更广泛AI项目
- 跨领域发展：探索AI在健康等垂直领域的应用，推动产业智能化
- 设计并实施Code Agent的强化学习训练流程，优化代码生成、编辑、调试等智能体行为
- 构建代码执行沙箱环境，研究多步决策算法以提升复杂代码任务的处理能力
- 设计多层次奖励信号体系，构建奖励模型解决代码场景中的技术挑战
- 推动模型泛化与自我进化机制研究，探索向通用推理的迁移路径
- 精通强化学习理论（如PPO、DPO）及在大语言模型后训练中的应用，熟悉RLHF/RLAIF技术栈
- 熟练使用Python和分布式训练框架（如DeepSpeed、Megatron-LM），具备GPU集群工程优化经验
- 深入理解代码生成、程序分析等领域，能够构建和维护复杂实验流程
- 具备优秀的研究能力，能快速吸收前沿论文并转化为可落地方案
申请策略
- 提前了解蚂蚁集团健康事业群的业务方向和AI应用重点，以便在面试中体现业务理解
- 准备针对Code Agent场景的算法设计思考，展示如何解决奖励稀疏、训练稳定性等具体问题
- 突出强化学习项目经验，尤其是与大语言模型后训练或代码生成相关的实践
- 强调论文发表记录，特别是顶级会议（如NeurIPS、ICML）上的高质量论文
- 展示分布式训练和系统优化经验，例如在GPU集群上的性能调优案例
- 详细描述独立完成完整实验或复杂项目的经历，体现工程落地能力
- 深入学习最新强化学习算法及其在LLM后训练中的应用，如GRPO、DPO变体
- 实践代码智能体项目，如使用SWE-bench等框架进行复现或开发，增强实战经验
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答，突出个人贡献和技术深度
- 结合理论原理（如策略梯度方差控制）和实际工程经验进行分析，展示系统思维
- 引用相关论文或行业案例，证明对前沿技术的理解和转化能力
- 如何设计一个端到端的强化学习训练流程来优化Code Agent的代码编辑行为？
- 在代码奖励模型构建中，如何解决奖励稀疏和奖励欺骗问题？请举例说明
- 你如何将课程学习或元学习策略应用于提升Code Agent的泛化能力？
- 描述一个你在大规模GPU集群上进行分布式RL训练时遇到的挑战及解决方案
- 你认为Code Agent向通用推理迁移的关键难点是什么？如何突破？
职位点评
薪资福利75
成长发展90
工作生活60
使命价值85
薪资福利
75中等
该职位在补偿性动机方面能满足较好水平，但因JD未披露具体薪资和福利细节，需结合市场价推断。
薪资信号未披露（AI估算：35K-65K/月）
成长发展
90较高
该职位在发展性动机方面表现突出，涉及前沿技术研究和大规模系统实践，为技能成长和职业发展提供强力支撑。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、GRPO、DPO、DeepSpeed、Megatron-LM、代码生成、Agent
业务类型ambiguous
工作生活
60中等
生活化动机满足程度有限，JD未明确办公模式、WLB信号或工作强度，需面试时进一步确认。
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
意义感动机较强，该职位处于人工智能高速增长赛道，且健康事业群应用具有正向的社会价值潜力。
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）
Watch Jobs