一、大模型（LLM）相关职责
模型开发与优化
参与大语言模型（如GPT、LLaMA、Claude等）的预训练、指令微调（SFT）、强化学习对齐（RLHF/RLAIF）。
优化模型性能（推理速度、显存占用）及效果（准确性、泛化性、安全性）。
探索模型压缩技术（量化、蒸馏、剪枝）以适应实际部署需求。
领域适配与微调
针对垂直场景（医疗、金融、教育等）进行领域数据清洗、构建及模型微调。
设计高效的迁移学习方案，提升模型在特定任务上的表现。

提示工程与推理优化
设计高质量的Prompt模板，提升模型在复杂任务中的表现（如CoT思维链、Self-Consistency等）。
研究少样本/零样本学习策略，降低模型对标注数据的依赖。

二、智能体（Agent）系统相关职责
Agent架构设计
构建基于LLM的智能体框架（如ReAct、AutoGPT、LangChain等范式）。
设计Agent的核心组件：规划（Planning）、记忆（Memory）、工具调用（Tool Use）、自我反思（Reflection）等模块。

多Agent协同

开发多智能体协作系统，实现任务分解、分布式决策与结果聚合。
解决Agent间的通信、竞争与协同优化问题。

工具集成与扩展
为Agent集成外部工具（API、数据库、搜索引擎等），扩展其能力边界。
开发工具学习（Tool Learning）机制，使Agent能自主选择并调用工具。

三、工程落地与优化
高性能推理部署
使用vLLM、TGI、TensorRT-LLM等技术优化模型推理效率。
设计分布式推理架构，支持高并发、低延迟的线上服务。

数据处理与评估
构建高质量训练/评估数据集，设计自动化评估体系（传统指标+LLM-as-Judge）。
监控模型线上表现，持续迭代优化效果及安全性。

系统集成
将Agent系统对接业务场景（如客服、代码生成、游戏NPC、自动化办公等）。
与前后端工程师协作完成端到端产品化落地。

四、前沿技术探索
跟踪大模型与Agent领域最新进展（如MoE、长上下文优化、Agentic Workflow等）。
探索多模态Agent（文本+图像/语音/视频）的应用场景。
研究Agent的长期记忆、个性化交互、可信决策等进阶能力。