课题背景：课题背景： Agent 是下一代生产力的入口，也是这个时代巨大的机会，也被广泛认为是下一代生产力系统的重要入口。相比传统以单轮问答为主的模型能力，Agent 更强调面向真实目标的持续执行能力，即不仅能够理解用户意图，还能够围绕目标进行任务拆解、工具调用、环境交互、结果验证与多轮迭代，最终完成具有实际价值的复杂任务。随着基础模型在推理、代码、视觉、多模态理解等方面能力的持续增强，Agent 已不再只是简单的工作流编排或脚本自动化，而是在向具备自主规划、长期协作与跨环境执行能力的智能体形态快速演进。 课题挑战： 1. 长链路任务稳定性挑战 真实场景往往复杂且开放。如何让 Agent 在长链路任务中持续保持目标一致、合理规划、稳定执行，并避免上下文遗忘与错误累积，是走向真实生产力场景的核心挑战。 2. 复杂环境中的行动与决策挑战 在代码仓库、终端、浏览器和企业应用等真实环境中，Agent 需要完成工具调用、状态切换、信息整合与结果验证。如何提升其环境理解、行动决策和反馈闭环能力，并保证跨场景的稳定性与泛化性，是关键难题。 3. 数据与评测体系建设挑战 Agent 能力提升依赖高质量数据、可验证环境和有效评测，但多步过程正确性与任务完成度更难衡量。如何构建覆盖真实场景、可验证、可复现、可持续迭代的数据与评测闭环，是能力持续演进的重要基础。 4. 长期记忆与持续协作挑战 真正有价值的 Agent 应具备长期协作能力，能够在多轮交互中理解用户、积累经验并适应偏好。如何构建有效的长期记忆机制，平衡上下文管理、历史调用与个性化建模，是实现长期可用生产力伙伴的关键 具体工作： 我们关注三个核心的方向： 1. Coding Agent：你将深入参与 Coding Agent 的研究与落地，包括复杂代码库理解、工具调用、长链软件任务执行、真实环境交互、agent trajectory 建模、可验证训练数据构造，以及面向真实研发场景的评测体系设计。 2. Productivity Agent：你将参与构建面向真实工作与生活场景的生产力 Agent，探索 computer use、多工具协同、长期记忆、个性化上下文建模、腾讯生态交互等关键能力，让 Agent 成为真正能够与用户长期协作的 coworker。 3. Research Agent：你将参与 Agent 在 AI 自动化与科学研发自动化中的前沿探索，包括自动化训练流程、实验系统构建、研究任务分解、反馈驱动迭代，以及迈向 AI Scientist 所需的能力基座设计。你将有机会参与定义 Agent 如何加速 AI 自身的发展，并进入更高价值的科学探索场景。

课题要求：学历和专业要求： 自然语言处理、机器学习、模式识别、人工智能、计算机科学等相关专业硕士及以上学历； 技术技能要求： 1. 在 Agent、LLM 或相关方向有深入实践，对复杂任务求解、长链路推理、多工具调用、环境交互或特定应用场景（如 Coding Agent、Search Agent、Productivity Agent 等）有丰富的研究或落地经验； 2. 具备扎实的工程实现能力，熟练掌握 Python、C/C++ 等至少一种编程语言，熟悉 Agent 系统搭建中的核心模块，包括任务规划、工具调用、记忆机制、轨迹建模、反馈闭环等，并对相关数据构建与训练流程有实践经验； 3. 有高质量论文发表者优先（如 ACL、EMNLP、NeurIPS、ICML、ICLR 等），特别是在 Agent、复杂推理、环境交互、长上下文建模、数据合成或特定垂域能力突破等方向； 软性素质要求： 具备强烈的进取心、自驱力及跨领域学习能力，良好的团队协作精神，对推动 Agent 成为下一代生产力入口、实现更强通用智能能力充满热情。