理想汽车｜大模型智能体算法实习生（Prompt & Context Harness 方向）

1. Prompt 工程与优化 设计、迭代智能座舱场景下的 System Prompt、Few-shot 样本和 Chain-of-Thought 模板，通过 A/B 实验量化 Prompt 修改对 Agent 指令遵循率、回复质量的影响，形成可复用的 Prompt 设计规范。 2. Context 工程 研究并优化多轮对话场景下的上下文管理策略，包括对话历史压缩、关键信息摘要、Memory 写入/检索机制，解决长对话中的 Context Pollution 和信息损失问题，降低无效 Token 占用。 3. Harness 评测框架研发 搭建和维护 Agent 自动化评测 Harness，设计覆盖驾车典型场景的测试集（导航、音乐、控车、闲聊等），实现 Prompt/Context 变更的快速回归，输出可量化的评测报告。 4. Bad Case 分析与数据闭环 从线上日志中挖掘 Agent 失败样本，归因 Prompt 歧义、Context 截断、Tool Call 错误等根因，维护 Bad Case 库，驱动持续迭代。

我们希望你 - 学历：2027 年及以后毕业的硕士/博士，计算机、人工智能、NLP 等相关专业，研二优先。 - Python或其它语言：能独立完成数据处理、实验脚本、评测流水线，代码质量整洁。 - LLM 基础：理解 Prompt Engineering 范式（Zero/Few-shot、CoT、ToT），有 OpenAI/Claude 等 API 调用经验。 - 实验思维：能将模型回复变好了拆解为可测量指标（成功率、Turn 数、Latency），用数据说话。 - 自驱：能在模糊需求下自定义评测标准，不依赖完整 spec 才能启动。 加分项 - 有 Context 压缩 / RAG 检索 / Memory 机制的工程或研究经验 - 参与过 LLM 评测 Benchmark（MT-Bench / 自定义 benchmark）的构建 - 熟悉 Agent 框架（LangChain / LlamaIndex / AutoGen）或 Function Calling / Tool Use 落地 - 了解车载 NLP 场景（ASR 纠错、多轮对话、意图理解） - 有公开代码（GitHub / 竞赛）可参考 你能获得 - 深度参与理想同学（车载 AI 助手）的 Agent 迭代，接触真实线上流量和 Feedback Loop - 专注 Prompt → Context → Harness 这条最核心的 Agent 工程链路，积累可量化的落地经验 - 与算法、工程、产品协作，理解端到端 AI 产品如何从 Demo 走到规模化上线