课题背景：课题背景： 随着大语言模型（LLM）能力的演进，Code Agent 正超越传统的“编写与调试代码”，升级为能够理解自然语言指令、自动完成综合性任务的“协同助手（Co-work Agent）”。在日常工作与研发场景中，Agent 既需要处理端到端的前端页面开发（如根据需求直接构建管理平台页面、交互组件），也需要应对日常办公协同（如自动化文档生成、复杂表格数据处理、跨系统工作流对接）。腾讯优图实验室希望通过本课题，探索面向复杂代码生成与泛办公协同场景的 Agent 核心技术，打造高效的人机协作体验。 课题挑战： 1. 复杂需求拆解与端到端生成：在前端页面开发或应用构建中，如何让 Agent 精准理解模糊需求，完成从 UI 设计、代码生成到交互逻辑组装的全流程构建。 2. 多模态与异构数据/工具处理：在办公协同（Co-work）场景下，如何让 Agent 灵活调用各类文档、表格及 API 工具，进行精准的数据解析、逻辑推理与自动化操作。 3. 长链路规划与自我修正（Self-Correction）：在多步骤复杂任务中，如何提升 Agent 的长流程记忆与规划能力，并根据运行反馈（如报错、排版效果、用户反馈）自动调整策略。 4. 综合能力的客观评估：缺乏能够同时兼顾“代码生成质量”与“日常协同/办公任务完成度”的高精度自动化评测 Benchmark。 具体工作： 1. Code & Co-work 评测体系建设：构建覆盖代码生成（如前端页面/组件构建）与办公协同（如文档/表格处理、任务流自动化）的高质量数据集与评测框架，建立客观的能力诊断机制。 2. 模型训练与优化策略：研究面向多步骤推理与工具调用的 SFT、RLHF/RLAIF（如 DPO/GRPO）及轨迹对齐算法。 3. 前沿技术突破与应用落地：跟踪业界前沿 Agent 技术，推动高可用 Code/Co-work Agent 在腾讯实际产品与业务场景中落地。

课题要求：1、计算机科学、人工智能、软件工程等相关专业的博士及硕士生； 2、有深度大模型训练、Agent框架设计或使用的经历； 3、求知欲驱动的行动力： 对大模型、具身智能及 AGI 的演进具有极其浓厚的兴趣与探索欲。不满足于现有的 SOTA，能够主动追踪并复现全球最前沿的研究进展，对“模型能力的边界在哪里”有持续的好奇心； 4、AI-Native 的工作范式： 擅长利用 Coding Agent 优化工作流，深度 Agent 使用者，能够通过自动化工具极速提升代码质量与实验效率； 5、极致的细节控制力 (Attention to Detail)： 在处理大规模数据清洗、多模态对齐及超大规模 RL 训练时，表现出近乎偏执的细心。深信“Garbage in, Garbage out”，能够敏锐察觉实验数据中的细微异常并追溯底层逻辑； 6、坚定的第一性原理思考者： 面对复杂、多模态的混沌问题，不盲从于现有的 Paper 或技术路径。能够拆解问题的本质，从物理底层、信息论或计算效率等基本点出发，推演并设计最优的技术方案； 7、在 NLP/AI/SE 顶级会议或期刊（如 ACL, EMNLP, NeurIPS, ICML, ICLR, AAAI, CVPR, ICSE, FSE, ASE 等）发表过高水平论文者优先。