锦鲤求职岗位描述
工作内容
方向：平台工程化（具身方向 / CV算法方向）
一个人能把模糊想法推到上线。
岗位定位
基于地瓜平台，面向机器人与具身/感知场景，建设 MLOps 平台与可视化工具链的全栈研发岗位。聚焦"平台层"能力——让模型能高效上平台、让仿真场景开发完成后能被用户在平台直接用起来，贯通训练、评测、推理、数据与发布的工程化闭环。全栈偏前后端。
这个岗位适合对模糊问题感到兴奋、擅长给复杂系统做减法、且对正确性有洁癖的人。你写的不是"一个功能"，而是用户为什么信任这个平台。
方向细分
平台工程化内部进一步细分为两个方向，候选人可侧重其一：
- 具身方向：主攻具身大模型相关，如 VLA、世界模型等在平台上的训练 / 评测 / 推理 / 数据闭环建设。
- 算法方向：主攻具身之外的算法工程化，包括 CV、深度学习等任务的模型研发流水线与平台能力。
方向 A：计算机视觉（CV）
1. 研发机器人场景下的 3D 视觉能力：点云处理、目标检测与分割、6D 位姿估计、深度估计、视觉 SLAM；
2. 负责多传感器（相机/深度/激光雷达）标定与融合，提升真实环境下的感知鲁棒性；
3. 将视觉算法沉淀为平台可复用能力（API/SDK），与产品、研发协作推进落地与验收；
4. 参与开发平台本身的能力建设：理解"数据—模型—算力—设备接入"一体化架构，把视觉数据采集/标注、模型训练/评测/版本管理沉淀为平台可复用能力，并把算法需求拆解到平台各模块推进落地。
方向 B：具身智能（Embodied）
1. 研发具身智能操作能力：模仿学习（IL）、强化学习（RL）、视觉-语言-动作模型（VLA）；
2. 研发视觉-语言导航（VLN）与世界动作模型（WAM），支撑机器人导航、规划与长程任务执行；
3. 搭建仿真环境（Isaac Sim/Gym/MuJoCo 等）与 sim-to-real 迁移管线，推动算法从仿真到真机；
4. 参与真实机器人数据采集、数据管线与评测基准建设；
5. 参与开发平台本身的能力建设：把具身数据采集、仿真训练、评测基准与设备接入能力沉淀为平台可复用能力，理解并参与"数据—模型—算力—设备接入"架构设计。
方向 C：AI Agent（板端量化工具链 auto research）
1. 构建面向地瓜 X/S 系列开发板的量化工具链 auto research 智能体：自动检索、比对、评测地瓜工具链（RDK OS / 量化与部署工具链）及周边生态（模型转换、算子适配、性能优化、精度对齐）；
2. 设计"调研—评测—结论"闭环：自动收集官方文档、SDK/示例、社区与竞品信息，生成可追溯、可复现的工具链选型报告与对比矩阵；
3. 打通"模型→量化→板端部署→精度评测"全流程自动化：自动完成模型转换、量化、编译、上板（X/S 系列）、精度与性能评测，并沉淀为平台可复用能力；
4. 将调研结论（量化选型建议、部署迁移指南、精度对齐 checklist）沉淀为平台可复用能力，接入平台知识库/工具；
5. 探索 Agent 的规划、工具调用、记忆与多步推理能力，保证研究/执行过程可验证、可追溯、可审计；
6. 追踪 auto research / Deep Research / 多智能体领域 SOTA，复现关键工作并输出竞品技术拆解。
通用
1. 行业前沿探索：追踪 CV/具身/Agent 领域 SOTA、复现关键工作、输出竞品技术拆解；
2. 用 AI 工具加速调研、实验、评测与文档，保证产出可验证、可追溯。
岗位职责
1. 定义问题与最小闭环：从用户目标和资源约束出发，判断做什么、不做什么、先做什么，产出可验证的最小可行链路，而非功能清单。
2. 模型上平台：打通模型到平台的接入链路，覆盖模型注册、版本管理、推理服务化、资源调度与上线发布。
3. 仿真场景平台化：将仿真场景与能力转化为平台可用的用户产品，支持场景管理、任务编排，以及仿真—训练—评测联动。
4. MLOps 流水线：建设训练、评测、推理、数据管理与发布的全流程能力，确保模型实验可复现、可追溯、可对比——数据版本、模型版本、超参配置、评测结果之间的关联关系是设计目标，不是事后补丁。
5. 前后端工具链：交付可视化工具链与前端工程实践，关注用户实际使用体验和数据可信感，而不只是接口调通。
6. 具身 / 算法方向能力：按所侧重方向，建设 VLA / 世界模型 或 CV / 深度学习 相关的训练、评测、推理与数据闭环能力。
任职条件
1. 本科及以上学历，计算机、人工智能、机器人、自动化等相关专业。
2. 3 年以上后端 / MLOps / 全栈经验，有独立主导或深度参与平台类系统从 0 到 1 的经历——不是"参与过"，而是能说清楚当时为什么做、为什么这么做、做错了什么。
3. 扎实的工程能力，精通 Python，熟练 Rust/Go 中至少一种。
4. 能从模糊目标推导系统边界和优先级，不依赖别人替你拆好任务。面对没见过的问题，有系统性的拆解手段，而不是靠碰运气。
5. 熟悉 K8s 及调度框架（Volcano / Kueue 等），理解多算力集群调度中资源分配、排队、抢占、碎片化等核心问题。
6. 理解模型训练 / 评测 / 推理 / 量化的基本流程——不需要每种都做过，但能说清楚一条端到端链路的输入、输出、瓶颈和失败模式。
7. 了解机器人基础知识（ROS/ROS2、传感器数据、仿真环境、运动控制、导航、SLAM 等），加分但不硬性要求。
8. 了解常见 CV 任务（图像分类、目标检测、语义 / 实例分割、姿态估计等），算法方向必备，具身方向加分。
9. 了解模型推理优化与部署方式（ONNX、TensorRT、Triton Inference Server、量化、Batching 等）。
10. 了解模型研发流程，如仿真训练、数据采集、模型评测、Sim2Real、端侧部署或云边协同。
11. 对 AI 工具（CC、Cursor、Codex 等）有深度使用习惯，能用工具放大自己的产出。
加分项
- 独立项目或创业经历——不一定是公司，开源项目、side project 从 0 做到有人用也算。
- 有 Kubeflow、Argo Workflow、Ray、Volcano 等平台或组件经验。
- 有模型训练 / 推理平台、GPU 集群调度、模型评测平台建设经验。
- 有机器人、具身智能、多模态模型、VLA/VLM、世界模型、自动驾驶或仿真平台相关经验（具身方向优先）。
- 熟悉 Isaac Sim、Gazebo、MuJoCo、Webots 等仿真工具。
- 熟悉常见前端工程实践（组件化开发、状态管理、接口联调、权限控制、数据可视化等）。
- 有复杂流程平台化、跨团队方案落地经验。