腾讯｜微信-大模型Agent系统设计与研究实习

近年来，大语言模型（Large Language Models, LLMs）在自然语言理解、文本生成、代码生成与多轮交互等任务中展现出较强能力，推动人工智能系统从“信息问答”向“任务执行”方向演进。在此基础上，Agent 作为一种能够结合模型推理、工具调用、环境感知与任务规划的系统形态，逐渐成为大模型应用研究的重要方向。相比传统对话系统，Agent 更强调在开放环境下的自主决策、多步操作与目标导向执行能力，其研究重点也由单纯提升模型输出质量，逐步扩展为对“模型—工具—环境—用户”整体系统的协同设计。 早期的大模型 Agent 系统，大多建立在云端 API 调用和预定义工具链之上，主要面向网页搜索、代码执行、文档处理等相对封闭的数字任务场景。这类系统虽然在任务自动化方面取得了一定进展，但其运行环境通常较为抽象，缺乏对用户真实工作场景、设备状态与长期上下文的深度接入，因而在连续任务执行、个性化协作、跨应用联动以及长期记忆管理等方面仍存在较大局限。 随着 OpenClaw 等用户端 Agent 环境的出现，Agent 系统的研究对象和实现范式正在发生明显变化。与传统云端 Agent 不同，这类系统将模型能力进一步嵌入用户本地设备和个人数字环境之中，使 Agent 不再只是通过单次请求调用若干远程工具，而是能够直接接入浏览器、文件系统、消息通道、本地服务以及多种用户侧软件生态，形成一种“贴近用户、长期在线、持续协作”的新型智能体运行模式。在这种模式下，Agent 的能力边界被显著拓展：它不仅需要理解用户意图，还需要理解设备状态、维护任务上下文、协调多种工具资源，并在动态环境中持续完成复杂任务。 这一变化对大模型 Agent 系统研究提出了新的要求。首先，用户端 Agent 面临更加复杂的环境建模问题。传统 Agent 往往只处理结构化工具接口，而用户端 Agent 需要应对浏览器页面、桌面界面、本地文件、消息中断、权限限制等异构环境要素，因此如何构建统一的环境抽象与状态表示机制，成为系统设计中的基础问题。其次，用户端 Agent 面临更加突出的任务连续性与记忆管理问题。当 Agent 被用于真实用户场景时，其执行往往不再是一次性任务，而是跨时间、跨应用、跨设备的持续过程，这要求系统具备更强的长期记忆、上下文恢复与历史行为利用能力。再次，用户端 Agent 面临更为严峻的安全与可控性问题。由于其能够访问本地资源、账号体系乃至操作界面，一旦在任务规划、工具调用或权限管理上出现缺陷，便可能引发隐私泄露、误操作或越权执行等风险。因此，如何在增强 Agent 自主性的同时保障系统的可解释性、可审计性与安全可控性，已成为该方向不可回避的核心议题。 从研究意义上看，OpenClaw 一类用户端 Agent 环境的兴起，标志着大模型 Agent 正从“演示型智能体”走向“真实世界运行的智能体系统”。这一转变不仅提升了 Agent 的应用价值，也使相关研究从模型层问题进一步延伸到系统层问题。换言之，当前的大模型 Agent 研究，已经不能仅关注提示词设计、单步工具调用或局部任务成功率，而需要系统性地研究其架构设计、工具调度、环境感知、长期记忆、安全机制以及人机协同方式。围绕这些问题展开研究，对于推动大模型 Agent 从实验室走向真实应用场景，具有重要的理论价值与实践意义。 基于上述背景，本课题拟以用户端大模型 Agent 为主要研究对象，围绕其在真实环境中的系统结构、任务执行机制与安全控制方法展开研究，重点关注环境抽象、任务规划、工具协同、长期记忆以及权限约束等关键问题，探索面向复杂用户场景的大模型 Agent 系统设计方法，为构建更加稳定、可扩展且安全可控的下一代智能体系统提供理论基础与实现思路。

1、相关专业本科/硕士/博士 2、熟悉Faas，firecracker等microvm系统，熟悉K8S调度，熟悉iptables，tun/tap设备等网络隔离手段。 3、熟悉Fuse 文件系统，熟悉任务调度等。 4、熟悉常见Agent系统。如OpenClaw，codex等。 5、非常强的工程实现能力。