WorkBuddy 是 AI 原生工作平台，核心是一个能够长程自主作业的通用 Agent。它理解用户意图，规划任务路径，调用工具与外部系统，并在多轮往复中完成端到端交付。 我们的用户是办公、金融、法律、医疗等场景中的专业工作者，产品承接的是一整段工作流，而不是单点功能。 WorkBuddy当前处于从单轮响应的 AI 助手向长程智能体过渡的阶段。这一阶段的主要约束不在模型能力，而在智能体的上下文组织、记忆管理、任务规划和工具调用。同一个模型，上下文组织方式不同，长任务的完成率会有数倍差距。因此当前的核心工作是智能体运行策略，包括：在有限的上下文窗口内完成信息的分层、筛选与压缩；在长程任务中控制记忆的写入、召回与失效；设计模型能够准确选择和使用的工具体系；让规划与反思机制在任务失败时收敛而不是持续发散；通过评测和数据链路推动模型与智能体框架同步迭代。 原生AI产品快速迭代更新，没有现成的方法论，我们希望具有技术背景、热爱AI、没有被传统产品范式所限定的产培生加入。 产培生将独立负责具体的策略课题，覆盖上下文分层与预算分配、记忆机制设计、工具与 Skill 编排、任务规划与 Subagent 协作、评测体系与后训练数据标准等方向。工作方式是从线上 badcase 出发完成归因、提出假设、设计实验并验证效果，与算法团队协同推动模型迭代。你的策略会直接影响线上指标，参与定义下一代智能体运行机制。
- 计算机、软件工程、人工智能等相关专业，本科及以上熟悉 Transformer 与自回归生成机制，理解 Attention、位置编码、KV Cache、Tokenizer、采样策略对模型输出的实际影响；能独立编码（Python 必备，SQL 熟练），可自主完成数据处理、评测脚本与原型验证。
- 对大模型和 Agent 产品有好奇心，有模型强相关的动手经历，包括 SFT、LoRA 等参数高效微调、DPO/GRPO 等偏好对齐与强化学习、持续预训练，或训练数据构造、合成数据生产、评测集与指标口径设计。请在简历中写明基座模型、数据规模、训练方式、评测方法与效果变化。仅调用 API 完成 Demo、编写 Prompt 或使用低代码平台搭建工作流，不视为满足本项。
- 对 Agent 底层运行原理有透彻理解，理解请求中上下文如何被组装、截断并传入模型，理解 ReAct 与 Plan-and-Execute 等范式的循环机制与失效模式、Function Calling 的协议流转、短期与长期记忆的存储、召回与冲突消解、RAG 各环节的误差累积、MCP 与 Multi-Agent 的编排边界，以及上下文窗口作为有限资源时策略上的取舍依据。
- 具备产品思维与业务抽象能力，能从批量 badcase 中定位模型的实际问题，将模糊目标拆解为可训练、可验证的产品规则、指标与实验方案.具备数据意识，能通过评测数据、线上分析与实验结果判断策略效果，具备指标体系搭建能力。
