岗位职责 • 设计并开发自主决策Agent系统，构建具备工具调用、推理规划、记忆管理能力的智能投研Agent。 • 设计自我进化Agent（self-evolving agent）与反馈闭环：基于反思、自我精炼、过程奖励模型，让Agent从反馈中持续自我修正与结构演化。 • 研究LLM-based Agent在投研中的应用，开发能够自主完成数据清洗、逻辑推理、因子挖掘、策略回测、绩效归因的智能投研助手，提升投研效率与决策质量。 • 针对组合优化、风险控制等场景，利用机器学习与统计方法优化Agent的预测与决策能力，确保策略在动态市场环境中的稳健性。 • 跟踪AI4Finance及Agent技术前沿，推动智能投研Agent在实盘环境中的工程落地与性能优化。

岗位要求 • 在量化/主观投研领域有实盘经验，熟悉金融数据特性。 • 深入理解LLM Agent架构与推理范式：包括ReAct、Function Calling、工具编排、复杂推理、test-time compute、inference-time scaling、CoT及其后继方法（Tree-of-Thought、Graph-of-Thought、树搜索推理）；有构建自主决策系统的实战经验。 • 能把前沿AI能力转化为可落地、可解释、可审计、可归因的Agent，使框架下的决策过程可追溯。 • 扎实的机器学习基础，熟悉XGBoost、LightGBM、神经网络等核心算法，具备将机器学习方法应用于信号合成或组合优化的实际经验。 • 精通Python/C++，具备优秀的工程实现能力，能够高效开发Agent系统、优化模型推理性能。 • 有因子挖掘与特征工程的丰富经验，熟悉因子检验、有效性评估及因子组合方法，能够从海量金融数据中提炼稳定预测信号。 • 有ICML、KDD、NeurIPS、ICLR等顶级会议论文发表经历，或量化竞赛（Kaggle、WorldQuant等）优异名次者优先。 • 具备较强的系统思维与创新能力，能够独立设计复杂Agent架构并解决金融场景中的实际工程问题。 • 图推理方向优先：熟悉图思维链（Graph-CoT）、知识图谱推理、图神经网络（GNN），能把图结构作为Agent的多跳推理底座与持久记忆，用于产业链传导、持仓网络、事件扩散等关系型金融数据。 加分项 • 有策略实盘业绩可追溯，熟悉策略全生命周期管理（回测、风控、实盘、归因）。 • 具备多因子模型等特定策略领域的深度经验。 • 有智能投研助手或交易自动化工具的实际开发经验，熟悉Agent与现有工作流的集成。 • 熟悉图推理在关系型金融数据上的应用，包括产业链网络、传导路径、事件图谱等。