智元机器人
强化学习算法工程师
强化学习算法工程师
发布于 大约 14 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
硕士
软件工程
Dpo
Llm
Ppo
Prompt Engineering
Pytorch
Rlhf
强化学习
机器人
AI 估算 · 30k–60k
强化学习算法工程师需求旺盛，技能难度高，市场薪资竞争力强；B轮公司虽融资阶段较早，但中大型企业薪酬有保障，月薪约30k-60k。
职位详情
关于这个职位
该职位负责研发机器人智能体的强化学习算法，提升Agent在导览、接待、任务执行等场景的决策能力
你将研究RLHF、DPO、模仿学习等前沿方法，构建训练与评测数据集，并参与Agent评测体系和仿真环境建设
适合对机器人、具身智能和LLM Agent有热情，具备扎实算法与工程能力的求职者
最低要求
计算机、人工智能、软件工程、自动化、数学、统计学等相关专业，硕士及以上优先，优秀本科生也可
熟悉机器学习和深度学习基础，了解强化学习基本概念，如状态、动作、奖励、策略、价值函数、探索与利用等
熟悉至少一种强化学习或智能体优化方法，如 PPO、DQN、SAC、离线强化学习、模仿学习、RLHF、DPO、Reward Model 等
熟悉 Python，掌握 PyTorch、TensorFlow、JAX 等至少一种深度学习框架
具备良好的工程实现能力，能够完成数据处理、模型训练、实验评估、结果分析和迭代优化
对 LLM、Agent、RAG、Tool Calling、Workflow、多轮对话、Prompt Engineering 等方向有兴趣或项目经验
具备较强的数学基础、实验设计能力、问题抽象能力和快速学习能力
对机器人、具身智能、AI Agent、智能体平台有兴趣，愿意把算法应用到真实复杂场景中
工作职责
参与面向机器人智能体的强化学习算法研发，提升 Agent 在导览、导购、接待、问答、任务执行等场景中的决策能力和任务完成率
研究强化学习、离线强化学习、偏好学习、模仿学习、Reward Model、LLM Agent 训练与优化等方法在真实业务场景中的应用
基于机器人交互日志、用户反馈、任务 Trace、对话 Session、人工标注数据等，构建 Agent 训练与评测数据集
设计智能体行为策略优化方案，包括工具调用策略、任务规划策略、多轮对话策略、异常恢复策略、打断处理策略和主动服务策略等
参与 Agent 评测体系建设，设计任务成功率、用户满意度、响应质量、工具调用正确率、上下文保持能力、安全合规性等指标
构建 Agent 仿真与回放环境，支持在上线前对不同 Agent 版本、Prompt、Workflow、模型和策略进行离线评测与回归验证
参与 Reward 设计与自动化打分机制建设，包括规则打分、LLM Judge、人工反馈、用户行为反馈等多种信号融合
跟踪 Agent RL、RLHF、RLAIF、DPO、GRPO、Agent Learning、Self-Play、Tool-use Learning 等前沿方向，并进行原型验证和业务落地
与智能体平台、交互云、数据闭环、产品和业务团队协作，推动 Agent 从“可配置”走向“可评测、可优化、可持续进化”
优先资格
了解 LLM Agent 评测、对话评测、自动化打分、LLM Judge、A/B Test、数据闭环等方向者优先
AI 洞察
优缺点分析
优点
- 强化学习是AI领域的前沿方向，尤其在机器人应用场景中潜力巨大，技能积累价值高
- 智元机器人处于B轮阶段，团队可能较小，个人影响力大，有机会参与核心决策
- 工作内容涵盖RL、Agent、LLM多个热点，技术栈新，学习成长快
- 强化学习项目对数据质量和仿真环境依赖强，可能需要从零搭建基础设施，工作复杂度高
- 算法落地周期较长，从研究到产品化需要反复迭代，对耐心和工程能力要求高
- 适合对强化学习和AI Agent有浓厚兴趣，具备较强算法和工程能力，愿意在机器人领域深耕，能适应快节奏和不确定性的求职者
缺点 / 挑战
- 创业公司节奏可能较快，需要同时处理多个任务，压力较大
角色解读
- 初级强化学习工程师 → 高级算法工程师 → 算法专家/技术负责人，专注强化学习和AI Agent方向
- 可横向拓展至具身智能、机器人控制、多模态感知等领域，成为综合型AI专家
- 在智元机器人等创业公司中，有机会参与核心算法架构设计，快速成长为技术骨干
- 研发机器人智能体的强化学习算法，包括训练策略、奖励模型和行为优化，提升Agent在真实场景中的任务完成率
- 构建和优化Agent训练与评测数据集，设计离线仿真环境，确保算法上线前经过充分验证
- 跟踪并引入RLHF、DPO等前沿技术，并将其落地到具体业务中，推动Agent从可配置向可持续进化发展
- 扎实的深度学习和强化学习基础，熟悉PPO、DQN、SAC等常见算法及RLHF、DPO等优化方法
- 熟练使用Python及PyTorch/TensorFlow等框架，具备数据处理、模型训练和实验分析能力
- 了解LLM、Agent、RAG、Prompt Engineering等方向，有相关项目经验者优先
- 良好的数学基础和问题抽象能力，能设计实验并迭代优化算法
申请策略
- 了解智元机器人的产品方向和行业定位，在面试中展示对具身智能和商业落地的理解
- 准备一个完整的强化学习项目案例，从问题定义、数据准备到模型评估，展示闭环能力
- 突出强化学习相关项目经历，尤其是RLHF、PPO、模仿学习等算法落地案例
- 强调LLM/Agent项目经验，如对话系统、工具调用、Prompt Engineering等
- 展示Python、PyTorch等工程能力，包括数据处理、模型训练和实验分析的具体成果
- 如有机器人或具身智能项目背景，务必重点提及
- 深入学习RLHF、DPO等最新强化学习方法，通过开源项目或论文复现加深理解
- 熟悉LLM Agent评测框架和工具，如LangChain、ReAct等，积累实际开发经验
面试指南
- 对于项目类问题，使用STAR原则：Situation-Task-Action-Result，突出你的贡献和算法细节
- 对于对比类问题，先列出共同点和差异点，再结合实际应用场景给出选择依据
- 对于开放性问题，从技术趋势、业务价值和个人见解三个层面回答，展示思考深度
- 请详细介绍你做过的一个强化学习项目，包括算法选择、奖励设计、训练过程和最终效果
- RLHF与DPO的区别是什么？在实际应用中如何选择？
- 如何设计一个机器人导览Agent的评测指标？
- 在策略优化中，如何处理探索与利用的平衡？
- 你如何看待LLM Agent的未来发展方向？
职位点评
64
综合评分
前沿强化学习与LLM Agent技术栈，成长空间大，但工作地点受限且生活方式灵活性差。
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。
更适合这类人
该职位最适合追求技术成长和前沿探索的求职者，对工作生活平衡要求不高的候选人。
表现最好
成长发展
相对薄弱
工作生活
薪资福利55
成长发展90
工作生活40
使命价值70
薪资福利
55较低
薪资水平在市场上游，但B轮公司存在不确定性，且JD未明确福利待遇；补偿性动机满足程度一般。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
90较高
技术栈前沿（RLHF、DPO、LLM Agent等），鼓励跟踪前沿方向，有明确的成长路径，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈强化学习、PPO、RLHF、DPO、LLM、Agent、Python、PyTorch
成长机会跟踪前沿方向、原型验证和业务落地
业务类型profit_center
工作生活
40较低
仅现场办公，未提及弹性工作或WLB信息，上海通勤成本较高，生活化动机满足度低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
机器人具身智能属高速增长赛道，但JD未强调社会使命，意义感动机中等偏上。
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
智元机器人 的其他在招职位
相似职位推荐
Watch Jobs