- **构建 Agent 执行框架**：实现任务规划与执行、工具调用、状态持久化、断点恢复、失败重试和必要的人工介入机制，支持长时间、多步骤科研任务。 - **接入科研工具与环境**：整合学术检索、论文解析、代码运行、数据分析和实验计算等能力，管理执行环境、权限及研究产物。 - **设计上下文与记忆机制**：处理长文献、实验记录和中间结果，让 Agent 在长任务中保留关键信息，并能追溯结论依据。 - **建设评测与调试体系**：围绕真实科研任务建立评测集、运行轨迹和回归测试，定位失败原因，持续优化结果质量、稳定性、延迟和成本。 - **与科研用户共同迭代**：将研究人员的工作流程转化为可执行、可验证的 Agent 能力，重视引用准确性、实验可复现性和结果可检查性。

- 有扎实的软件开发能力，熟练使用 Python，具备后端服务、异步任务、数据存储及接口集成经验。 - 实际开发并调试过 LLM 应用或 AI Agent，理解工具调用、结构化输出、上下文管理和 Agent 执行循环，能够独立定位模型与工程系统交互中的问题。 - 有复杂任务系统的工程经验，例如工作流引擎、任务调度、容器化执行环境、自动化实验平台或分布式服务。 - 具备评测意识，能把“效果不好”转化为可复现的失败案例、可比较的指标和具体改进。 - 能独立推进从原型到稳定交付的完整过程，愿意阅读论文、理解科研需求，并基于实际效果调整技术方案。