课题背景： 近年来，大语言模型在推理、代码生成、工具调用等方面持续进步，推动 Agent 从单轮问答向复杂任务闭环演进。在数据领域，DataAgent 已由传统“问数答疑”扩展至数据分析、归因诊断、策略生成、数据营销、A/B Testing 与效果评估等场景，对模型的任务理解、推理规划、工具调用与结果验证能力提出了更高要求。面向真实业务场景，DataAgent 仍面临模糊语义理解、多步推理、工具协同与结果校验等挑战，通用模型难以稳定完成复杂数据任务。因此，本课题聚焦 DataAgent 基座能力建设，围绕任务建模、训练数据构建、自动评估与后训练优化等关键问题，提升大模型在数据决策场景中的理解、推理与执行能力。 课题挑战： 1.DataAgent框架设计： 如何设计清晰、完备的 DataAgent 系统流程，使模型能够完成数据决策场景中的任务理解、分析规划、工具调用、结果验证与策略生成； 2.数据长链路预训练优化： 如何筛选、清洗和组织多样化的数据任务语料、分析链路与工具使用轨迹，或通过自动化方式合成包含丰富上下文的训练数据，提升基座模型对复杂数据任务的理解与建模能力； 3.Agent指令数据自动化合成： 如何设计有效策略，自动化合成覆盖数据分析、数据营销、A/B Testing 等多类场景的高质量、高复杂度 DataAgent 指令数据与中间轨迹数据； 4.自动评估系统建设： 如何针对数据决策场景设计自动化评估体系，包括语义理解、查询生成、工具调用、执行结果、推理链路与结论质量等，对模型效果评估与训练数据清洗进行提效； 5.奖励系统建设和强化学习策略优化： 对于复杂数据决策任务，如何结合执行反馈、链路质量、策略有效性与效率成本，设计合理的奖励信号并优化强化学习训练效果。 具体工作： 你将参与到 DataAgent 框架设计、数据长链路训练数据优化、复杂指令数据合成与自动评估、奖励系统建设和强化学习策略优化，提升大模型在数据决策场景中的复杂推理与智能体能力。 1、计算机、人工智能、软件工程、自动化、电子工程、数学、统计学、数据科学、运筹优化等相关专业博士及优秀硕士； 2、熟练掌握 Python、PyTorch 等编程语言与深度学习框架，具备大模型训练、后训练或 Agent 系统研发经验，熟悉 SFT、RL、Reward Model等相关技术； 3、对数据分析、数据库、SQL 生成、实验设计、因果推断、多工具协同等方向有较好理解，具备较强的工程实现、问题分析与科研创新能力，有相关研究成果或实践经验者优先。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录