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，开展超级个性化（ Hyper-Personalization ）与记忆进化的前沿研究，让智能体持续理解用户的背景、偏好和目标，从交互与执行反馈中积累可复用经验，并在不同任务和执行 Agent 中保持有效的个性化能力。结合联想个人 AI 与终端应用场景，主导关键技术课题，完成算法与模型优化、实验验证和研究原型，推动研究成果进入产品验证。

岗位职责

根据研究专长，重点承担以下前三项技术方向中的一个或多个，并负责相应的评测、原型和成果转化工作。

1. 长期记忆与个性化建模。 研究持久化与分层记忆、可复用记忆组件（ Memory Cube ）及情境化用户建模，探索记忆抽取、表示、检索、更新与遗忘方法，提升跨会话、跨任务和跨 Agent 的语义保持与个性化效果。

2. 交互经验与技能学习。 面向 Computer Use 等任务，研究多模态交互轨迹理解、程序性记忆与技能抽象，从用户示范、执行结果、失败和纠正中提炼经验，提升经验适用性判断、跨环境泛化与持续改进能力。

3. 多 Agent 协同记忆。 研究面向任务与角色的记忆选择和分发、执行经验的可靠回流、记忆冲突与失效处理，使不同 Worker 能够沿用适用的用户理解，并在要求变化后更新相关执行依据。

4. 大模型适配与能力优化。 面向个性化、记忆读写和工具使用，构建高质量训练数据、交互轨迹与偏好数据，开展有监督微调（ SFT ）、参数高效微调、偏好优化或强化学习实验，提升模型理解、选择和使用记忆的能力。

5. 数据与实验评测。 将研究问题转化为可验证的假设，构建数据、基线和评测方法，开展对照实验、消融分析与失败归因，综合评估模型的指令遵循、个性化质量、任务成功率、经验泛化、可靠性和计算成本。

6. 原型实现与应用验证。 独立实现关键算法和研究原型，与产品及工程团队协作完成真实场景验证，分析方法在上下文预算、响应延迟和端侧资源等约束下的效果与取舍。

7. 课题牵引与技术沉淀。 主导课题的技术方案和研究迭代，指导项目成员解决关键问题，形成可复现的实验、技术报告、论文、专利或开源成果，推动有效方法沉淀为可复用能力。

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 5 年及以上，或博士学位取得后具有 2 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；具有独立主导复杂研究课题或关键技术攻关的经验。

3. 具备扎实的机器学习和大模型基础，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方向有深入研究和可验证成果。

4. 理解 Transformer 、大语言模型及多模态大模型的基本原理，熟悉预训练与后训练流程；在 SFT 、参数高效微调（如 LoRA ）、偏好优化（如 DPO ）或强化学习中至少一种方法上具备实践经验，能够完成数据处理、训练调试和模型评测。

5. 能够独立完成问题定义、方法设计、实验实现和结果分析，具备严谨的实验意识，能够识别数据泄漏、评测偏差和无效改进，并清晰解释方法的适用条件与局限。

6. 熟练使用 Python ，熟悉 PyTorch 等主流机器学习框架，能够实现研究算法、构建实验流程并复现相关工作；理解 LLM Agent 的上下文、工具使用和执行机制，能够将算法放入完整任务中验证。

7. 具有体现本人实质贡献的代表性成果，如高质量论文、技术专利、开源项目或经实际验证的算法与系统成果；具备良好的技术表达、协作与英文文献阅读能力，能够指导成员并与跨团队伙伴开展研究工作。

加分项

• 在 NeurIPS 、 ICML 、 ICLR 、 ACL 、 EMNLP 、 SIGIR 、 CVPR 等相关会议或期刊发表过有影响力的研究成果，或有高质量开源贡献。

• 具有记忆增强大模型、长上下文建模、情境化偏好学习或多模态对齐的研究经验，能够结合用户反馈与交互轨迹改进模型行为。

• 具有 Computer Use ／ GUI Agent 相关研究或项目经历，在交互轨迹建模、示范学习、技能抽象、执行结果验证等方面有实践积累者优先。

• 具有端侧 AI 、跨设备上下文学习、高效记忆处理，或模型蒸馏、量化与推理优化经验，研究过效果与延迟、存储、计算或能耗之间的取舍。