李佳助理教授主要研究大模型驱动的AI Agent，聚焦于构建能自主完成数字与物理世界任务的智能体，主要包含两个核心维度：

1. 提升AI Agent的基础能力，例如：推理（Reasoning）、记忆（Memory）、工具调用（Tool-Calling）、效率（Efficiency）、安全（Safety）和多智能体协作（Multi-Agent Collaboration）等技术瓶颈。

2. 研究面向重要场景的智能体，例如：软件工程智能体、科学研究智能体

•软件工程Agent：提升真实软件开发效率与质量。（1）开源首个面向真实软件项目的代码生成评估基准，系统揭示主流大模型在解决真实需求中的不足，被字节跳动、阿里巴巴等机构采用，推动真实项目代码生成技术发展；（2）训练并开源 aiXcoder-7B 系列代码大模型，将代码结构特性融入预训练，在代码生成任务上超越国际同规模模型，并跻身 HuggingFace 全球趋势 Top-30；（3）提出基于深度推理的代码生成方法，将真实软件开发流程融入模型推理过程，显著提升大模型解决实际开发需求的准确率，最高提升达 55%。

•Agent 安全：构建内外结合的安全防护体系。（1）揭示 Agent 在真实环境中面临多类安全威胁，例如环境注入攻击可劫持 Agent 执行高风险动作，攻击成功率高达 50%；（2）提出深度对齐技术，识别模型内部的“有害方向”，增强模型对恶意命令的感知与拒答能力；（3）提出面向 Agent 的形式化约束方法，通过可证明的外部约束干预模型生成过程，阻止其执行高风险动作。

•近五年在 NeurIPS、ACL、ICSE 等 CCF A 类顶会/顶刊发表论文 30 余篇，包括多篇 Oral 论文；相关工作被麻省理工学院、斯坦福大学、南洋理工大学、香港中文大学等机构研究者广泛引用，累计引用千余次。成果已转化为实际应用，与北京非十科技有限公司联合推出智能编程工具 Fitten Code 与 EniaCode，累计下载量超过 150 万。

• 面向软件开发的大模型技术：参与训练面向代码的大语言模型 – aiXcoder-7B（70亿参数）、主导训练：二代模型 – aiXcoder-7B-v2（70亿参数）。aiXcoder-7B首次在大语言模型的预训练中考虑代码的结构特性（如语法结构、依赖关系等），展现出了强大的代码补全和代码生成能力，在八个主流评测集准上超越了国际上同等规模的模型（例如：Meta的Code Llama-7B、DeepSeek的DeepSeek-Coder-6.7B）。aiXcoder-7B已获2271个 GitHub Stars，跻身 2024 年 5 月份 HuggingFace 全球趋势榜 Top 30。aiXcoder-7B-v2在aiXcoder-7B的基础上利用强化学习进一步提升模型的长上下文能力，在仓库级代码补全任务上超越了国际上同等规模模型（如Qwen2.5-Coder-7B）。

• 面向Coding Agent的深度推理技术。提出将人类程序员在真实世界软件开发中的推理过程融入到大模型的推理过程中，包括：需求理解、代码规划、代码实现和代码优化四个阶段。该技术有效提升了大模型在代码生成任务上的准确率，在Pass@1上取得了最高88.4%的相对提升。该技术引发研究社区讨论，引发了来自麻省理工学院、北京大学等机构研究者的后续工作。

• 与真实项目对齐的代码生成评估基准 ：DevEval（静态版本）和EvoCodeBench（动态版本）。该评估基准从高质量开源项目中精心采集得到，其数据分布与真实软件项目保持一致。动态版本可自动更新，有效避免数据泄露。该评估基准有效揭示了现有技术难以解决真实项目上的复杂需求，促进大模型在真实软件开发中的评测与应用。该评估基准已被字节跳动、百度、南洋理工大学等机构的研究者使用。

课题组尊重学生的个人兴趣，致力于培养具备独立科研思维与复杂问题解决能力的人才。无论是深耕基础算法创新，还是聚焦真实场景落地，这里均提供多元化的成长平台。我们注重产学研深度协同，引导学生在工业界实战中提炼科学问题，实现学术与应用价值的统一。组内建立常态化研讨机制（定期周会+一对一指导），配备一流的算力支持。此外，课题组内工作氛围融洽，定期团建活动，带领大家快乐科研，倡导健康可持续的科研生活方式，助力每一位成员在积极向上的氛围中实现科研突破。

课题组长期招收对AI Agent、大模型等领域感兴趣的同学和科研实习生。希望你富有热情、自我驱动力和扎实的实践能力，共同探索有趣的科研问题！有意者请将简历发送至jia_li@mail.tsinghua.edu.cn