智元机器人
优才-具身Agent算法工程师-通用业务部
优才-具身Agent算法工程师-通用业务部
发布于 3 天前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Llm
Rag
Vlm
任务规划
具身智能
在线学习
多模态
大模型
机器人
AI 估算 · 25k–45k
上海AI算法工程师岗位，B轮融资，硕士及以上，结合市场水平，月薪在25k-45k之间
职位详情
关于这个职位
该职位是智元机器人通用业务部的具身Agent算法工程师，负责设计分层/端到端Agent架构，研发基于大模型的具身决策引擎，构建多模态感知-记忆-行动闭环，并实现机器人记忆架构与RAG/在线学习
要求硕士及以上学历，深入理解LLM Agent架构，有完整的具身Agent项目经验，适合有机器人或AI顶会论文背景的求职者
最低要求
计算机科学、人工智能、机器人学、认知科学等相关专业，硕士及以上学历
Agent 与 LLM：深入理解 LLM Agent 架构（ReAct、Reflexion、LATS、AutoGPT 等），具备 Prompt Engineering、Function Calling、Tool Use、Agent Workflow 的工程经验
规划与推理：掌握任务规划（Task and Motion Planning, TAMP）、符号推理、几何推理或基于学习的规划（Learning-based Planning）至少一个方向
有完整的具身 Agent 项目经验：从任务定义、环境交互到真实机器人部署的闭环，或参与过知名开源 Agent/机器人项目（如 LeRobot、Open X-Embodiment、GR00T、Meta-World、CALVIN 等）
工作职责
设计分层/端到端 Agent 架构：负责高层任务理解（Task Planning）→ 中层行为规划（Skill/Sub-goal Decomposition）→ 底层动作执行（VLA/RL/WBC）的全栈算法设计
研发基于大模型的具身决策引擎：利用 LLM/VLM 进行任务拆解、常识推理、异常恢复（Failure Recovery）与重规划（Re-planning），实现 SayCan、RT-H、VoxPoser、CoPa 等路线的工程化落地
构建多模态感知-记忆-行动闭环：融合视觉、语言、触觉、本体感知与历史交互信息，支持长程任务中的上下文保持与状态追踪
设计机器人记忆架构：包括短期工作记忆（Working Memory，支持当前任务上下文）、长期情景记忆（Episodic Memory，存储历史交互经验）与语义记忆（Semantic Memory，存储物体属性、环境常识）
实现基于记忆的 RAG/在线学习：支持机器人在执行中动态检索历史经验、调用外部知识库，并通过真实交互数据实现策略的持续微调（Continual Learning）与自我改进（Self-Improvement）
优先资格
在机器人或 AI 顶会（CoRL、RSS、ICRA、IROS、NeurIPS、ICML、ACL）发表过具身智能、机器人学习或 Agent 相关论文者优先
AI 洞察
优缺点分析
优点
- 身处具身智能这一前沿赛道，技术更新极快，个人成长空间大
- 公司（智元机器人）获B轮融资，处于快速发展期，技术积累和项目资源丰富
- 岗位涉及LLM、VLM、Agent、多模态等多个热门方向，技能可迁移性强
- 岗位要求全栈能力，从高层规划到底层执行，技术栈深且广，学习曲线陡峭
- 具身智能落地难度高，需要大量工程调试和真实环境实验，工作强度可能较大
- 竞争激烈，对口人才稀缺但对候选人的论文和项目经验要求高
缺点 / 挑战
- 适合对机器人智能体有浓厚兴趣，具备扎实的算法基础和动手能力，勇于挑战前沿技术的求职者
角色解读
- 技术方向：可向具身智能领域的专家发展，深入Agent架构、记忆机制、多模态融合等前沿方向
- 管理方向：积累项目经验后可带领算法团队，成为技术负责人或AI架构师
- 跨界方向：具备机器人+AI的全栈能力，可转至自动驾驶、通用机器人、工业自动化等领域
- 设计分层/端到端的机器人Agent架构，从高层任务规划到底层动作执行的全栈算法设计与实现
- 研发基于大语言模型/视觉语言模型的具身决策引擎，实现任务拆解、推理、异常恢复与重规划
- 构建多模态感知-记忆-行动闭环，支持机器人在长程任务中的上下文保持与状态追踪
- 设计机器人记忆架构（工作记忆、情景记忆、语义记忆）并实现基于记忆的RAG/在线学习
- 深入理解LLM Agent架构（如ReAct、Reflexion），具备Prompt Engineering、Function Calling、Tool Use等工程经验
- 掌握任务规划（TAMP）、符号推理或基于学习的规划至少一个方向
- 有完整的具身Agent项目经验，从任务定义到真实机器人部署
- 熟悉多模态感知融合，了解机器人学基础，有强化学习或模仿学习经验更佳
申请策略
- 在简历中附上GitHub链接或项目演示视频，直观展示项目成果
- 了解智元机器人的产品方向（如通用机器人），在面试中结合公司业务讨论技术方案
- 突出LLM Agent项目经验，尤其是ReAct、Reflexion等架构的工程实现案例
- 强调机器人相关项目，特别是从仿真到真实机器人的部署经验
- 展示在顶会发表的论文，尤其是与具身智能、机器人学习相关的
- 列出熟悉的工具和框架：如LeRobot、Open X-Embodiment、ROS、PyTorch等
- 系统学习LLM Agent架构，动手实现一个简单的Agent系统（如AutoGPT）
- 补充机器人学基础，了解常见的任务规划算法（TAMP）和运动规划库
面试指南
- STAR法则（情境、任务、行动、结果）清晰描述项目经验
- 分层次回答：先高层面策略，再具体实现细节
- 强调权衡：如准确性与实时性、通用性与专用性的平衡
- 请详细介绍一个你参与过的具身Agent项目，包括架构设计、遇到的挑战及解决方案
- 如何设计一个基于LLM的机器人任务规划系统？请结合具体场景说明
- 谈谈你对记忆机制在机器人中作用的理解，以及RAG如何应用于持续学习？
- 你如何评估一个Agent架构的好坏？有哪些关键指标？
- 复习经典的Agent论文（如ReAct、SayCan、RT-2）并理解其核心思想
职位点评
68
综合评分
前沿具身Agent算法岗，发展空间大，薪资中上，但工作强度可能较高。
更适合这类人
最适合以技术成长和前沿探索为首要动机的求职者，愿意为高成长接受一定的工作强度。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值80
薪资福利
60中等
B轮融资的中大型企业，薪资有竞争力但可能包含期权，稳定性一般；未明确提及福利。
薪资信号市场水准 (25K-45K/月)
成长发展
90较高
岗位技术前沿，涉及LLM、VLM、Agent等最新方向，有完整的项目实践机会，成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、VLM、Agent、大模型、具身智能、机器人、多模态、记忆架构、RAG、在线学习、任务规划、TAMP
成长机会全栈算法设计、工程化落地、持续微调、自我改进
业务类型profit_center
工作生活
40较低
仅现场办公，上海核心地段，但未提及WLB或弹性工作，可能工作强度大。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
80较高
具身智能是高速增长赛道，对推动机器人智能化有显著社会价值，技术创新性强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs