智能体自进化 / 蜂群协同研究实习生· 2026-08-28

EvoMap 专注于智能体自进化与大规模智能体协作网络，研究方向覆盖 Agent 自我进化、蜂群协同、长期记忆、能力共享与智能体基础设施。目前 EvoMap 相关模型与智能体系统已在多个公开 Benchmark / Leaderboard 上取得 SOTA 成绩，并持续推进从研究原型到真实生产环境的落地。我们希望构建的不只是更强的单体 Agent，而是一套能够持续学习、协作、进化的智能体网络。

【工作内容】 · 智能体自进化、持续学习、经验学习方向研究 · 多智能体协同、蜂群智能、去中心化协作机制研究 · Agent trajectory、策略学习、能力迁移与演化机制研究 · 设计训练、评测与消融实验，验证方法有效性 · 跟进并复现 Agent、Multi-Agent、RL、Continual Learning 等前沿工作 【研究课题：探索下一代智能体架构】 · 智能体自进化：研究 Agent 如何从长期交互、任务经验与反馈中持续提升能力，并实现跨任务、跨环境的经验复用。 · 智能体记忆与经验网络：研究 Memory、经验沉淀、检索与共享机制，以及多智能体之间的知识迁移与能力传播。 · 多智能体与蜂群智能：研究大规模 Agent 的自组织、动态分工、协同决策与复杂任务求解。 · Agent Scaling：研究随着 Agent 数量、计算资源与协作深度增长，智能体系统的能力边界、效率与 Scaling Law。 · Agent Systems & Evaluation：研究不同 Agent 系统的能力、效率、成本与泛化表现，并建立可复现的评测体系。 研究工作同时覆盖算法、模型训练与系统实现，目标是探索可持续进化、可扩展协作的下一代智能体架构。

【岗位要求】 · 熟悉 Python、LLM、Transformer 基础 · 对 Agent / Multi-Agent / RL / Self-Improvement 中至少一个方向有实践或研究经验 · 具备较强的论文阅读、实验设计和问题分析能力 · 能独立推进研究问题并完成实验验证 【加分项】 · 有 Agent、RL、LLM Post-training 相关论文或项目经历 · 熟悉 SFT、DPO、RL、LoRA、Distillation · 对复杂系统、群体智能、进化算法感兴趣