Agent Personalization and Memory Evolution

We are Lenovo. We do what we say. We own what we do. We WOW our customers.
Lenovo is a US$83 billion revenue global technology powerhouse, ranked #153 in the Fortune Global 500, and serving millions of customers every day in 180 markets. Focused on a bold vision to deliver Smarter Technology for All, Lenovo has built on its success as the world’s largest PC company with a full-stack portfolio of AI-enabled, AI-ready, and AI-optimized devices (PCs, workstations, smartphones, tablets), infrastructure (server, storage, edge, high performance computing and software defined infrastructure), software, solutions, and services. Lenovo’s continued investment in world-changing innovation is building a more equitable, trustworthy, and smarter future for everyone, everywhere. Lenovo is listed on the Hong Kong stock exchange under Lenovo Group Limited (HKSE: 992) (ADR: LNVGY).
This transformation together with Lenovo’s world-changing innovation is building a more inclusive, trustworthy, and smarter future for everyone, everywhere. To find out more visit www.lenovo.com (https://www.lenovo.com), and read about the latest news via our StoryHub (https://news.lenovo.com/).

岗位使命

面向个人超级智能体，结合大语言模型与多模态大模型，牵引超级个性化（ Hyper-Personalization ）与记忆进化的研究方向，探索让智能体长期理解用户、可靠积累经验并持续改进的方法与技术体系。结合联想个人 AI 与终端应用场景，识别关键研究机会，建立模型能力与记忆机制协同演进的技术路线，组织跨团队研究合作，并亲自推动核心方法突破与实验验证。

岗位职责

1. 研究方向与问题定义。 围绕长期记忆与个性化、交互经验与技能学习、多 Agent 协同记忆，识别有价值且尚未充分解决的问题，提出研究假设与技术路线，明确课题优先级和阶段性验证目标。

2. 记忆与学习体系设计。 建立持久化与分层记忆、可复用记忆组件（ Memory Cube ）的核心表示和方法体系，统筹用户、事项、任务及执行经验的建模，研究记忆与推理、规划、工具使用之间的协同机制。

3. 关键方法突破。 在核心研究方向上提出并验证原创方法，重点解决情境化个性化、记忆选择与适配、执行经验的可靠沉淀、反馈驱动的更新，以及多 Agent 中的冲突处理和陈旧依据失效等问题，形成可迁移、可复用的研究贡献。

4. 大模型训练与记忆协同优化。 制定面向个性化与智能体任务的模型适配及后训练路线，统筹训练数据、学习目标、偏好与奖励信号和评测设计，研究模型参数中的知识与外部记忆的协同，牵引模型记忆使用、推理和工具调用能力的提升。

5. 研究方法与评测体系。 建立跨课题的数据与实验规范，设计长期交互、 Computer Use 和多 Agent 任务中的评测方法，区分记忆质量、模型使用能力和执行效果，评估模型泛化、遗忘与行为变化，指导团队通过对照、消融与真实场景验证作出技术判断。

6. 跨团队研究与成果转化。 与模型、 Agent 执行框架、产品和终端工程团队协作，明确关键接口、约束和技术取舍，将研究方法沉淀为可复用算法或组件，推动成果在多个场景或项目中验证和采用。

7. 研究指导与技术影响力。 指导研究人员开展选题、方法设计和实验分析，亲自参与关键原型与难题攻关，推动论文、专利、开源和技术交流，开展有明确研究目标的学术及产业合作，持续提升团队的研究能力。

任职要求

1. 计算机科学、人工智能、机器学习、数学或相关专业硕士及以上学历，博士优先。

2. 硕士学位取得后具有 8 年及以上，或博士学位取得后具有 5 年及以上相关研究或算法工作经历，可包含博士后、高校及科研机构研究经历；具有牵引研究方向、主导复杂研究项目并推动成果采用的经验。

3. 在智能体记忆、个性化建模、信息检索与表示学习、多模态智能体、模仿学习、强化学习或持续学习中的至少一个核心方向有深厚积累，能够从不同任务中抽象共性问题，形成跨课题的方法与技术判断。

4. 深入理解大语言模型的训练、推理与对齐方法，具有主导大语言模型或多模态大模型适配、后训练项目的经验；在 SFT 、偏好优化、强化学习或持续学习中的至少一种技术上有深入积累，能够围绕数据质量、训练目标、奖励设计、泛化与灾难性遗忘提出研究方案，并指导关键训练与评测实验。

5. 具有持续的原创研究贡献，能够清晰说明代表性工作的创新点、本人贡献和实际影响；成果可体现为高质量论文、重要技术专利、开源项目，或在多个场景得到验证和复用的算法与系统能力。

6. 具备扎实的算法实现与实验能力，熟练使用 Python 和 PyTorch 等工具，能够亲自完成关键原型、设计决定性实验并审查研究质量；能够在效果、可靠性、计算成本和部署约束之间作出有证据支持的取舍。

7. 具备技术牵引、研究指导与跨团队协作能力，能够在问题尚不明确时推动选题和技术决策，指导研究人员形成高质量成果，并以清晰的中英文技术表达开展跨团队、学术及产业交流。

加分项

• 在相关研究领域具有被同行认可的方法、论文、开源成果或技术贡献，能够体现持续研究积累与技术影响力。

• 主导过长期个性化、智能体记忆、 Computer Use 经验学习或多 Agent 学习项目，并将研究方法转化为被其他团队采用的能力。

• 在记忆与模型联合优化、长上下文建模、多模态对齐、基于交互反馈的持续学习或长程任务中的信用分配方面具有系统性研究经验。

• 具有模型蒸馏与高效推理、端侧与端云协同 AI 、跨设备上下文学习或设备间经验迁移研究经历，能够组织跨模型、算法和系统团队的联合验证。