负责行业领先的超大规模云基础设施网络平台研发，打造AI时代的顶级网络技术及产品 -负责CDN、边缘计算、流量调度，以及智能负载均衡、HTTP、DNS、网络测量、网络协议栈等相关技术和产品的研发 -负责高性能网络与高性能云主机研发，包含RDMA、智能网卡、虚拟化技术等 -负责自研交换机、网络操作系统、高性能路由协议栈等相关技术和产品的研发

-负责百度核心产品功能和架构开发 -负责核心技术算法的研究、实现和优化 -与产品、算法团队协作，将AI大模型能力快速集成到业务产品中 -负责关键系统的稳定性保障，进行故障排查与性能调优 -负责前瞻技术的跟踪调研和产品创新 -善用AI辅助编程工具提升研发效率

-负责AI/大模型方向产品的规划、设计与迭代，深入理解用户需求，定义产品核心功能与体验 -结合大模型能力演进趋势，推动AI能力在产品中的落地，探索人机协作的最优交互模式 -跨团队协作，与算法、研发、设计团队紧密配合，推动产品从0到1落地并持续优化 -深入分析用户数据与市场反馈，驱动产品关键指标增长 -具备AI产品思维，善用AI工具提升工作效率与产品创新能力

-从事多模态大模型（视觉-语言、音频-语言、跨模态生成等）的算法研究与工程实现 -探索多模态理解与生成能力的提升方法，包括图文对齐、跨模态检索、多模态推理等 -结合最新多模态大模型进展，推动技术快速迭代 -设计高质量多模态训练数据方案与评估体系 -紧跟多模态前沿研究，将论文成果高效转化为工程实践

- 智能化测试框架与平台研发：负责迭代升级自动化测试框架，主导AI智能化测试平台的设计、开发与落地，融合大模型、AI Agent技术，实现测试任务自主编排、脚本自愈、用例复用，全面提升测试自动化率、迭代效率与业务覆盖率，支撑产品快速迭代 - 全链路质量保障与AI专项测试：负责产品功能、接口、性能、兼容性全维度测试工作，同时承接大模型相关专项测试，包括模型输出准确性、逻辑推理能力、多轮对话一致性、内容安全性、鲁棒性及性能稳定性评测，保障AI赋能场景与核心业务的整体质量 - 大模型测试能力落地与质效提优：深耕大模型在测试质效场景的落地应用，搭建智能化测试体系，实现基于大模型的需求解析、测试用例自动生成、测试数据智能构造、缺陷智能定位与根因分析、测试报告自动输出，解决传统测试重复性高、场景覆盖不全、问题排查低效等痛点 - 协同研发与技术评审优化：深度参与产品需求评审、系统架构设计、代码评审及AI模型应用方案评审，结合业务场景与测试经验，针对业务逻辑、代码漏洞、大模型应用风险、测试薄弱点提出优化建议，前置规避质量风险，推动研发、测试、AI应用全流程协同提效 - 质量体系建设与流程持续迭代：持续优化测试全流程规范，搭建适配AI智能化测试的质量度量体系，建立大模型测试资产库（评测数据集、专项用例、评测脚本、基准指标），沉淀标准化AI测试方案，持续迭代测试流程、工具与方法论，实现质量可量化、可追溯、可优化 - 前沿技术调研与落地创新：跟进大模型、AI测试前沿技术，调研AIGC、智能评测、自动化故障注入等新技术在质量保障场景的应用，落地创新测试方案，持续提升团队测试智能化、自动化水平，打造高效智能的质量保障体系

-负责大模型智能体（Agent）系统全链路设计与开发，搭建具备自主规划、复杂推理、动态决策能力的智能体架构，推动智能体在实际业务场景的规模化落地 -主导智能体核心算法研发与迭代优化，深耕意图理解、多步任务规划、工具调用、长短期记忆管理、多智能体协同等核心模块，持续提升任务完成准确率与系统鲁棒性 -搭建多维度智能体评估体系，建立效果、效率、资源成本一体化量化指标，驱动产品与算法持续迭代与自进化 -推进基于智能体驱动的业务创新，挖掘并孵化高价值应用场景，实现从技术验证到产品落地的闭环，构建差异化业务模式与增长飞轮

-从事大语言模型（LLM）的预训练、后训练（SFT/RLHF）及应用落地算法研究 -探索大模型在推理、代码生成、多轮对话、知识问答等核心能力的提升方法 -结合强化学习、检索增强（RAG）、思维链（CoT）等前沿技术，推动模型能力边界突破 -设计数据策略与评估体系，驱动模型质量持续迭代 -紧跟LLM前沿进展，将学术成果快速转化为工程实践

-Scale‑out 通信性能优化：负责大规模集群中跨节点（Scale‑out）通信效率的提升。深入分析 RDMA 协议栈（RoCEv2 / InfiniBand）在真实业务场景下的表现，通过调整拥塞控制参数、优化传输队列及中断/轮询模式，降低通信延迟并提高带宽利用率；针对 All‑Reduce、All‑to‑All 等集合通信算子进行性能画像，定位协议层瓶颈，输出可量化的优化方案 -RDMA 网卡效果验证与落地：将优化成果在RDMA 网卡上实际部署，搭建标准化测试环境，设计覆盖不同报文大小、多流并发、故障注入等场景的基准测试套件；完整评估网卡在优化前后的吞吐量、时延、CPU 利用率等关键指标，撰写测试报告，确保优化措施在硬件上稳定、有效，并推动最终产品化落地 -端侧可编程拥塞控制算法研究：基于RDMA 网卡的端侧可编程能力（如 P4、eBPF 或定制微引擎），探索新型拥塞控制算法；研究现有算法（如 DCQCN、Timely）的不足，结合网络流量特征和业务优先级，设计并实现自适应拥塞控制逻辑，在网卡本地快速响应拥塞信号，减少对 CPU 的依赖，提升整体网络的可靠性和公平性 -Scale‑up 超节点推理性能调优：在超节点（高带宽域内）环境中，聚焦节点内/间通信（Scale‑up）对主流大模型推理效率的影响；分析 TP（张量并行）、PP（流水线并行）、EP（专家并行）等并行策略下的通信依赖，结合 vLLM / SGLang 等推理框架，优化传输及调度逻辑；端到端验证模型部署后的吞吐量（Throughput）、首 Token 延迟（TTFT）和每 Token 处理时间（TPOT），提出并实施可落地的通信优化方案，确保推理性能达到业界领先水平

-参与内审部审计智能化能力建设，研究并落地AI大模型在审计流程中的应用，包括审计工作流开发迭代、审计计划制定、审计报告撰写、自动执审等场景 skill 开发与迭代，主要工作包括： -结合部门审计需求，探索大数据分析方法在风险识别、异常检测、数据核查等审计程序中的应用，沉淀通用能力skill -参与专项审计工作，主要负责大数据基础上的风险挖掘、专项相关领域自动执审能力的提炼和落地 -持续跟踪AI新产品与前沿技术动态，评估其在审计场景中的适用性，推动审计工作范式创新

该职位隶属于企业社会责任办公室，参与C9高校PI合作项目的策划与执行。 -与高校搭建合作渠道，建联重要PI -创新搭建公司在重点高校的AI人才合作模式及招募渠道 -策划校企交流活动