学习型 AI 代理博士研究员

项目概览

该项目研究能够从使用者反馈中持续学习的 AI 代理，以及组织如何在大规模部署此类代理时保持有意义的控制。

项目位于 University of Luxembourg 的 SnT（Interdisciplinary Centre for Security, Reliability and Trust），并由 UBIX Research Group 的 Prof. Raphaël Frank 指导。

研究属于工业合作型博士课题，合作对象是卢森堡一家大型能源公用事业企业，工作重点同时包括系统构建、实证评估与用户研究。

该岗位为全职、固定期限 36 个月；当前输入给出的截止时间为 2027 年 8 月 21 日，按公开信息保留并待后续官方核查。

项目详情

项目说明聚焦两个核心问题：当 AI 代理从组织内部的日常使用中不断学习时，组织如何判断它何时应主动采取行动、何时应等待指令；以及如何判断它的行为是否已经在不知不觉中偏离了原先被验证的状态。研究一方面关注交互设计，另一方面关注行为漂移检测与控制。

在交互侧，项目研究代理如何校准自己的主动性，使其“有帮助而不是打扰人”，如何呈现备选动作而不压垮用户，以及如何作为 sparring partner 强化人类判断，而不是悄悄替代人类判断。控制侧则研究持续学习代理的行为漂移检测，量化其相对验证基线的偏移程度，并建立回到可信状态的机制，同时不抹去真正的改进。项目还把讨论推进到组织层面，研究当部分受监管活动被代理规模化承担时，专业能力、责任归属和工作形态会如何变化。

方法上，课题把系统构建与实证评估结合起来，在真实运营环境中使用真实用户开展研究。博士生将与学术和工业伙伴紧密合作，围绕预定义研究方向开展工作、发表论文、与项目团队和产业伙伴沟通、设计并运行实证研究、实现并评估原型软件工具，并尽可能开源。这个职位的特点是工程实现、HCI/人因、机器学习与组织研究并行，而不是只做模型训练。

申请者需要具备计算机科学或相关工程领域的硕士学位或同等学历。理想候选人应熟悉 LLM 和基于 LLM 的代理、人机交互/人因、强化学习与基于人类反馈的学习、行为漂移检测、部署中 AI 系统监控、评估与基准测试、统计异常检测、社会技术或社会经济视角的技术采纳研究，以及可信 AI、治理与监管等主题。同时，岗位明确要求 Python 和 C/C++ 的强分析与编程能力，并欢迎有 data-driven innovation 项目经验的人。

语言方面，英语必须非常好；法语、德语或卢森堡语中任一种达到 B1 水平会加分。学位论文语言还需要达到 B2 水平并提供证书。申请流程要求在线提交材料，电子邮件申请不被接受。材料包括 CV、各学位信息与毕业时间、论文题目与摘要、发表列表（如有）、GitHub 链接（如有）、动机信和课程成绩单。

研究环境方面，University of Luxembourg 是多语、跨学科且国际化的研究大学，SnT 在安全、可靠和可信 ICT 方面具有国际影响力，并与产业、欧洲机构和非学术伙伴保持紧密联系。对申请者来说，这个项目比较适合想在 AI agent、组织控制和工业实证环境中做跨学科工作的候选人。

申请要点

• 学历要求：计算机科学或相关工程领域的硕士学位或同等学历。

• 技能偏好：LLM agents、人机交互、人因、强化学习、基于人类反馈的学习、漂移检测、系统监控、统计异常检测、可信 AI 与治理。

• 编程能力：Python 和 C/C++ 强；有 data-driven innovation 项目经验加分。

• 语言要求：英语必须优秀；法语、德语或卢森堡语达到 B1 为加分项；论文语言需达到 B2。

• 申请材料：CV、学位信息、论文题目与摘要、发表列表、GitHub 链接（如有）、动机信、成绩单。

• 合同与工作：固定期限 36 个月，全职 40 小时/周，地点 Kirchberg Campus。

• 薪酬信息：博士研究员年税前工资 EUR 44,531（全职）。

• 联系方式：当前输入未单列联系人邮箱。

• 截止日期：当前输入给出 2027 年 8 月 21 日 23:59:59（Europe/Brussels）；按公开信息保留，建议后续核查。

需要进一步确认

• 当前输入把截止日期写到 2027 年 8 月 21 日，时间跨度明显长于常见博士岗位，且用户已提示可能是平台字段；应待后续官方核查。

• 页面未单列是否要求推荐信或研究计划，申请前需要再确认。

• 联系方式栏为空，正式咨询渠道需要在申请页面或 HR 系统中进一步查找。

PhD 项目深度调研报告：学习型 AI 代理博士研究员

申请判断

申请判断：强，但需核实匹配度。

这是一个适合能把基于 LLM 的代理、人机交互、行为漂移检测、监控和工业用户研究结合起来的申请者的应用 AI 博士岗位。它的吸引力在于：项目位于卢森堡的 SnT，这是一家聚焦安全、可靠、可信 ICT 系统的研究中心；同时项目说明明确指向与卢森堡一家大型能源公用事业企业的真实工业合作。

这个岗位不应被看成普通的 LLM 博士。它的独特价值在于对“会学习的代理”进行组织性控制：代理何时应主动介入、如何在不压垮用户的情况下呈现选项、如何支持人的判断、如何衡量相对于已验证基线的行为漂移，以及系统怎样在不抹掉真实改进的前提下回到可信状态。主要风险也很现实，而且在依赖该岗位前必须核实：官方人事状态和截止日期、未具名工业伙伴、运行数据/用户访问、伦理/GDPR 流程、具体导师/联系人路径、36 个月期限，以及净薪与卢森堡住房成本之间的差距。

研究方向与领域前景

可能的研究切入点

最强的论文切入点包括：

• 主动代理介入校准：代理何时应该行动、建议、等待或升级；
• 人机交互设计：如何在不压垮用户的前提下展示选项；
• 把代理当作“陪练伙伴”，增强人的判断而不是替代人；
• 相对于已验证基线的行为漂移指标；
• 在保留已验证改进的前提下，把系统拉回可信状态的恢复机制；
• 面向部署中学习型代理的监控和审计日志；
• 在能源公用事业工作流中的真实用户实证研究；
• 受监管活动中代理的组织治理。

范围风险很高。一个成功的博士需要非常明确地限定操作任务、定义清晰的基线行为、给出可测的漂移标准，并把用户研究控制在现实规模内。

领域动向

这个领域变化很快。基于 LLM 的代理正在从被动聊天界面转向半自主系统：它们会规划、执行动作、调用工具并根据用户反馈调整。AgentBench 提出了多环境的 LLM 代理评估框架（AgentBench），而关于 LLM 评估和自主代理的综述也显示，基准、架构和应用场景都在快速扩展（LLM 评估综述；基于 LLM 的自主代理综述）。

项目的控制侧同样及时。分布偏移研究给了漂移检测、适应和监控一套清晰的技术语言（机器学习中的分布偏移）。最近关于可信 AI 代理的综述也反映出，围绕代理的可靠性、安全性、评估与治理的担忧正在上升（可信 AI 代理）。

监管和标准环境进一步提高了这个项目的价值。NIST AI RMF 强调 AI 风险治理、映射、度量和管理（NIST AI RMF）。欧盟 AI Act 包括对高风险 AI 系统的人类监督、风险管理、日志、透明度和事后监测要求（EU AI Act）。ISO/IEC 42001 提供了 AI 管理体系框架（ISO/IEC 42001）。OECD AI 原则则强调以人为本、稳健性、透明度和问责（OECD AI Principles）。

职业与市场前景

这个题目职业相关性很强。卢森堡和欧洲都在投资 AI 基础设施，包括 AI 工厂（卢森堡 AI Factory；欧盟 AI Factories）。ICT 专业人才需求和 AI 相关工作转型也仍然是欧洲的重要议题（Eurostat ICT specialists；OECD Employment Outlook 2023）。卢森堡本地劳动力市场背景可通过 ADEM 跟踪（ADEM 数据与事实）。

最自然的职业路径包括 AI 治理/保证、AI 安全评估、面向 AI 系统的人机交互、机器学习监控、工业 AI 部署、能源数字化、可信 AI 研究和应用研发。需要提醒的是，这个 PhD 必须产出具体的工程和实证结果，而不能只停留在对代理的概念性讨论上。

学校、学科与培养

卢森堡大学是一所多语、国际化、跨学科的研究型大学（关于大学）。其 关键数据页 给出了机构规模和国际概况。广泛排名可以作为背景，但不应成为判断这份岗位价值的主要依据：THE、QS 和 ShanghaiRanking 都提供了国际能见度，不过对这个具体博士岗位而言，SnT 和工业 AI 生态才是更重要的信号（THE 简介；QS 简介；ShanghaiRanking 简介）。

SnT 是最核心的机构资产。它将自己描述为面向安全、可靠与可信的 ICT 系统和服务的跨学科中心，也是该方向的国际研究与创新中心（SnT）。这份岗位的主题，即 AI 治理、监控、人类监督和真实环境中的可信部署，与该使命非常契合。

博士培养环境可通过计算机科学系和 SnT 的博士教育页面来理解（DCS 博士培养；SnT 博士培养）。博士申请页面也很重要，因为岗位说明写明，申请者必须证明论文语言至少达到 B2 水平（博士入学）。

导师与实验室评估

导师研究方向

该项目隶属于 UBIX Research Group，由 Prof. Raphaël Frank 领导。UBIX 将其工作描述为分布式、泛在与智能系统，结合 AI/ML、数据科学、IoT、车联网、智能出行和运行原型（UBIX）。旧版 UBIX 页面和 Frank 的个人简介则提供了更多关于团队历史与领导结构的背景（UBIX 旧页面；Raphaël Frank 简介）。

这对一个“系统 + 用户评估”型博士是很好的实验室匹配。UBIX 最强的部分似乎在应用智能系统、传感器/数据系统、出行、能源相关决策支持和原型构建。公开发表基础则不算特别集中于 LLM 代理治理，这意味着这个题目可能是该团队更大智能系统方向中的一个较新分支。

近期重要发表

UBIX/Frank 相关的近期工作支持了这个项目的应用系统和用户评估侧重点。2026 年一篇关于住宅决策支持界面设计的 CHI EA 论文与本项目很相关，因为它把能源场景、界面设计和实际决策支持联系了起来（住宅决策支持界面）。另一篇 2026 年 CHI EA 论文研究个性化碳反馈如何被用户接收，这对能源场景中的真实用户评估和行为响应很有参考价值（个性化碳反馈）。

一篇 2026 年 IEEE AIVR 论文研究了带众包的人类参与式支持，用于带宽自适应的云辅助 3D 感知。虽然领域不是组织型 AI 代理，但它说明团队在“人参与智能系统”上确实有经验（人类参与式 3D 感知）。一篇 2025 年关于 RoboCar 的论文展示了开源自动驾驶研究平台，有助于说明这个团队具有系统构建和开源原型文化（RoboCar）。一篇 2024 年 EnergyLab 2.0 数字孪生论文也与该岗位的能源公用事业场景有关（EnergyLab 2.0）。还有一篇 2023 年关于可靠车路通信的论文，进一步说明团队做过可靠运行系统的工作（车路通信）。

需要补充的判断是：这些论文支持的是应用系统和经验评估能力，但并不能证明团队已经在 LLM 代理、RLHF 或学习型代理行为漂移方面有成熟发表积累。

研究环境、资源与合作

项目说明写明，博士研究员将参与与卢森堡一家大型能源公用事业企业的长期工业研究合作，在工业环境中设计并开展真实用户的实证研究，同时实现概念验证工具。这一点非常强，只要合作方访问真实存在且边界清楚。

缺失的信息也很关键：合作方身份、数据管道、用户研究招募路径、部署环境和审批流程。正是这些信息决定了这个项目究竟能否落地为一篇可完成的博士论文，还是会因访问受限而卡住。

资助、申请与生活成本

项目说明写明，这是一个固定期限 36 个月、每周 40 小时的全职合同，地点在 Kirchberg 校区，内部头衔为 “Doctoral Researcher”，年总薪资为 EUR 44,531。这是明确的税前边界，但并不等于扣税和社保之后的净收入。

大学的在职与福利页面提供了更大的背景（在大学工作；福利）。住房和预算要尽早核实，因为卢森堡生活成本较高（大学住房；学生预算）。一些外部成本网站可以作为交叉参照，但不应取代学校官方信息（Expatistan Luxembourg；Numbeo Luxembourg）。

申请截止边界是最大的不确定点。采集到的信息给出的是 2027 年 8 月 21 日，这对一份博士岗位来说异常长。因此，这里保留这一不确定性，而不把它写成已经确定的结论。申请者在按这个日期做计划之前，应先到官方人事系统核实 UOL08434。

申请人匹配度

最适合的人选

这个岗位最适合计算机科学或相关工程专业的硕士毕业生，且能把系统开发和实证研究结合起来。强申请者最好有 LLM 代理实现、人机交互或人因经验、RLHF 或反馈学习知识、漂移/分布偏移监控、异常检测、基准测试和可信 AI 治理方面的积累。

需要谨慎的人选

如果申请者只有提示词工程经验、缺少软件工程深度；或者是纯 ML 研究者但不愿意做真实用户研究；或者 HCI 方向很强但 Python/C++ 和部署系统评估很弱，就应该谨慎。这个项目还需要工业沟通和汇报能力，这和纯学术型 PhD 的节奏会不一样。

可加强的技能与证据

有帮助的证据包括：Python/C++ 项目、GitHub/开源仓库、LLM 代理原型、评估/基准测试工作、漂移/监控项目、用户研究或 HCI 课程、统计/异常检测工作，以及对 EU AI Act、NIST AI RMF 或 AI 治理标准的熟悉程度。动机信应解释为什么自己关注的是“会学习的代理”的组织控制，而不只是泛泛地对 LLM 感兴趣。

风险与待核实问题

高优先级问题

1. UOL08434 是否仍在官方人事系统中开放，真实截止日期是什么？
2. 具体是哪家能源公用事业企业担任工业合作方，博士能够接触哪些数据、用户和流程？
3. 真实环境中的用户研究需要什么审批步骤，包括 GDPR 和工作场所同意？
4. 36 个月合同是否可以在论文完成需要更多时间时延长？
5. LLM 代理工程、人机交互研究、漂移监控方法和社会技术分析之间的比重如何？
6. 学生可用的计算资源、测试平台和部署环境有哪些？

中优先级问题

1. 日常主导师和联系人是谁？
2. 用来衡量漂移的已验证基线行为是什么？
3. 代理将基于 LLM、强化学习、工具调用工作流，还是混合架构？
4. 预期的用户研究人群和样本量是多少？
5. 生成的工具是否需要开源，若需要，受哪些合作方约束？
6. 论文语言证书在实践中需要达到什么要求？

证据与来源

项目与大学环境

• 职位镜像页面
• 卢森堡大学关于页面
• 大学关键数据页
• SnT
• UBIX 研究组
• DCS 博士培养
• SnT 博士培养
• 博士入学

排名与研究背景

• THE 上的卢森堡大学简介
• QS 上的卢森堡大学简介
• ShanghaiRanking 上的卢森堡大学简介

导师、实验室与近期发表

• UBIX 旧页面
• Raphaël Frank 简介
• UBIX publications
• ORBilu 上的 Raphaël Frank 检索
• 住宅决策支持界面
• 个性化碳反馈
• 人类参与式 3D 感知
• RoboCar
• EnergyLab 2.0
• 可靠车路通信

AI 代理、治理与领域前景

• NIST AI RMF
• EU AI Act
• ISO/IEC 42001
• OECD AI Principles
• AgentBench
• LLM 评估综述
• 基于 LLM 的自主代理综述
• 人本 LLM 代理界面
• 人机交互指南
• 机器学习中的分布偏移
• 可信 AI 代理综述

职业市场、资助与生活成本

• 卢森堡 AI Factory
• 欧盟 AI Factories
• Eurostat ICT specialists
• OECD Employment Outlook 2023
• ADEM 劳动力市场事实
• 卢森堡大学在职信息
• 卢森堡大学福利
• 大学住房
• 大学学生预算