AI 编程提效方向
目标：以 AI 技术重构软件开发流程，在代码生成、缺陷检测、需求理解等核心环节做出可量化的效率提升，并探索具备发表价值的新方法
实习内容：
研究基于 LLM 的代码生成与自动重构方法，探索 chain-of-thought、program synthesis 等范式在代码领域的新应用
深入智能 Bug 检测与自动修复课题，结合静态分析与神经网络研究 fault localization 和 LLM 辅助的 patch 生成机制
探索从 PRD / Figma / 自然语言需求到可执行代码的端到端意图对齐方案
基于 Agentic RAG、知识图谱构建企业级代码库问答与文档智能生成系统，研究检索增强在长上下文场景下的边界问题
开展 LLM 驱动的测试用例自动生成、覆盖率引导测试及结果分析等测试智能化研究
端智能开发方向
目标：在移动端等资源受限场景下，系统性地研究高效 AI 模型部署与推理方法，推动前沿成果在真实业务中落地
实习内容：
深度探索模型剪枝、量化（PTQ / QAT）、知识蒸馏等轻量化方法，研究精度–效率 Pareto 前沿的突破路径
研究端云协同推理中的模型分割、动态路由与自适应卸载策略，在延迟、带宽、隐私之间寻求最优权衡
探索联邦学习、差分隐私与端侧个性化模型更新的结合机制，解决端侧数据隐私保护问题
落地移动端图像识别、用户行为序列建模、实时语音 / 视频理解等端侧智能场景，在真实业务数据上完成评估与优化