优才-具身 Agent 算法研究员- Genie业务部

优缺点分析

角色解读

• 资深算法研究员 → 首席科学家/技术负责人，深入机器人决策核心
• 横向拓展至机器人全栈（感知、规划、控制），成为技术多面手
• 转向产品化，将算法落地为商用机器人解决方案，实现技术价值
• 构建并优化机器人具身Agent的完整决策闭环，涵盖任务分解、技能选择、执行与自我纠错
• 研发层级式规划算法，如task decomposition、skill chaining，提升长周期任务处理能力
• 探索Agent记忆与状态表示机制，支持跨回合学习和多步推理
• 搭建具身Agent的评测体系和benchmark，沉淀方法论与总结scaling规律
• 扎实的机器学习基础，熟悉LLM/VLM Agent范式（ReAct、tool use等）
• 掌握至少一类强化学习/模仿学习方法（PPO、SAC、BC等），具备实战经验
• 精通PyTorch，能快速复现论文并改进算法
• 有顶会论文发表经验或同等研究能力优先

申请策略

• 研究智元机器人的公开论文和技术博客，在面试中展示你对公司技术路线的理解和思考
• 准备一个自己设计的具身Agent框架思路，体现创新性和系统性
• 突出与具身Agent相关的项目经验，如机器人任务规划、强化学习训练、LLM结合机器人的实践
• 详细描述发表的顶会论文或预印本，尤其是涉及规划、记忆、纠错等方向的工作
• 强调复现和优化基线算法的能力，展示对现有方法的理解与改进
• 列出开源项目、竞赛获奖等能证明实践能力的内容
• 提前熟悉机器人仿真平台（如MuJoCo、Isaac Gym）和环境搭建技巧
• 补充世界模型、model-based RL相关理论，了解最新进展

面试指南

• 先明确概念定义，再对比不同方法的优缺点，最后结合具体任务场景说明选择理由
• 从问题拆解入手，先分析任务难点，再提出解决方案，并引用相关文献支持
• 用个人项目经历或论文工作作为案例，展现解决问题的能力
• 请解释ReAct和Planner-Executor范式的区别和适用场景
• 如何处理机器人长任务中的subgoal生成和skill chaining？请举例
• 描述你如何设计一个self-reflection或纠错机制来提高Agent可靠性
• 你熟悉的强化学习算法（如PPO、SAC）在机器人任务中的优缺点是什么？
• 如何评估一个具身Agent的性能？你会设计哪些指标？