资深软件工程师，强化学习环境
岗位摘要
负责强化学习环境的技术基础，涵盖大规模 RL 环境的构建、运行、验证与交付；设计平台能力：沙箱化执行、环境打包与版本管理、rollout 编排、轨迹捕获、验证器框架，以及让工程师与领域专家无需重复搭建基础设施即可创作环境的编写界面
岗位职责
- 负责强化学习环境的技术基础，涵盖大规模 RL 环境的构建、运行、验证与交付
- 设计平台能力：沙箱化执行、环境打包与版本管理、rollout 编排、轨迹捕获、验证器框架，以及让工程师与领域专家无需重复搭建基础设施即可创作环境的编写界面
- 深入环境本身：对真实应用进行插桩，设计能够暴露特定能力缺口的任务套件，并构建在对抗性优化下依然可靠的评分器
- 制定跨多个团队的技术方向，同时亲自承担最困难的核心编码工作
任职要求
- 8 年以上软件工程经验，在分布式系统、系统设计、数据结构与算法方面具备扎实基础
- 精通 Python 并有交付生产级软件的记录；在技术栈其他部分（TypeScript/React、Go、Rust 或类似）至少有一项熟练
- 深入掌握容器化与沙箱执行技术，包括 Docker、虚拟机、gVisor/Firecracker、Kubernetes 或同类方案
- 具备构建或运营高吞吐后端系统的经验：编排、作业调度、队列以及大规模数据管道
- 拥有基于大语言模型构建的实战经验，包括智能体循环、工具调用、MCP 或评测框架，并对模型行为有足够直觉以判断训练信号实际教会了什么
- 展现出端到端负责模糊且定义不清的问题，并推动其落地为已上线系统的能力
- 优秀的书面与口头沟通能力，能够协调工程师、研究员与非工程合作伙伴达成技术方向共识
- （加分项）有构建强化学习环境、智能体基准或评测框架的直接经验，如 SWE-bench 风格任务套件、终端或浏览器环境、工具使用基准或内部同类系统
- （加分项）熟悉后训练方法：RLHF、RLAIF、RLVR、GRPO/PPO 系列算法、拒绝采样、奖励建模，并了解各自的实践失效模式
- （加分项）具备设计可验证奖励信号的经验，并亲身经历过奖励黑客问题且知道如何防御