课题一：长短期记忆及上下文工程 场景描述： 智能体（AI助手）在客户互动中扮演着关键角色。然而，当前的服务智能体在处理复杂服务场景时，往往会出现“不聪明的表现”：例如在客户遇到问题时，需要客户多次重复故障现象，甚至在对话中断后重新开始，我们希望新的智能体能够记住客户之前描述的内容，结合上下文信息，迅速定位问题，并提供精准的解决方案。 岗位职责： 1、设计并开发智能体长短期记忆抽取与筛选机制，精准提取关键信息：事件类型、状态、偏好等。 2、研究上下文信息动态管理与更新策略，依场景变化实时调整问题定位与解决方案逻辑。 3、探索长短期记忆与上下文工程在多轮对话中的协同优化方法，通过实验确定最佳记忆-上下文配置方案。 4、分析多智能体协同场景下上下文工程面临的问题，优化跨智能体对话中的处理能力。 5、结合场景，评估长短期记忆及上下文工程优化后智能体的性能，改进模型优化方案。 课题二：多模态AI 场景描述： 在联想与中国大熊猫国家公园野生动物保护人工智能项目中，如何精准识别熊猫个体是掌握种群动态、制定保护策略的核心基础。本课题聚焦 “千熊千面” 识别场景，旨在通过多模态 AI 技术，融合多源影像数据，实现野生大熊猫个体的自动化精准识别，建立每一只熊猫的专属画像，为种群数量统计、栖息地管理等保护工作提供高效技术支撑。 岗位职责： 1. 主导大熊猫多模态影像数据的技术预处理 pipeline 设计，构建高质量个体识别数据集。 2. 基于深度学习框架，设计并优化熊猫个体识别模型，重点提升遮挡、光照变化、姿态差异等复杂场景下的识别鲁棒性。 3. 探索少样本学习、迁移学习等技术在熊猫个体识别中的应用，优化模型泛化能力。 4. 设计并搭建模型性能评估体系和自动化测试脚本，持续推动算法迭代优化。 5. 沉淀技术方案、特征工程模板及模型优化方法论，助力团队理解与应用技术成果。 课题三：提示工程 场景描述： 我们期望通过提示工程的相关研究，为不同的技术场景，建立可复用的提示工程模板，并基于此引导Agent开发工程师、高阶用户通过提示词工程模板，来充分挖掘大模型的潜力；并通过合适的提示词管理，增强大模型反思和纠错能力，最大程度控制幻觉和偏差，输出符合企业预期的目标。 岗位职责： 1. 探索典型场景下通过COT提示词方式引导大模型提升意图识别精准性。 2. 通过提示词方式，探索reflection模式，通过构建多角度和多角色提示。 3. 探讨Agentic RAG的最佳实践，通过COT/TOT， fewshot，评价等方式实现多步/多路检索。 4. 多智能体协作场景下的提示词设计和实践,与上下文工程的结合。 5. 多模态场景下的提示词技术和应用，文生图/视频/语音合成，以及反向过程，图生文/视频摘要/语音转语言等。 课题四：足球领域提示工程 场景描述： 联想作为FIFA唯一技术合作伙伴，将助力FIFA承办2026年世界杯，我们致力于借助AI技术帮助球迷、球员、教练、媒体等所有足球领域的伙伴可以更好的享受足球。 Football GPT是一个平台和接口，通过提示词让智能体和大模型更好的为足球领域的伙伴提供服务。 岗位职责： 1 以足球球队分析师的角度进行智能体的验证 2 通过提示词工程优化FIFA Football GPT的意图识别与问题澄清 3 通过提示词工程优化FIFA Football GPT的输出内容，更专业，更美观，更准确