字节跳动
实习后端开发实习生（私有化交付）-安全与风控
北京 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、通信等相关专业优先
- 具备扎实的计算机基础，熟悉操作系统（Linux优先）、数据库、网络通信基础原理，了解基本的软件开发流程
- 实习时间符合要求，每周可稳定到岗，做事认真细致、责任心强，具备良好的沟通能力与团队协作意识，愿意主动学习AI安全与私有化交付相关知识
- 掌握至少一门开发语言，Python/Java/Go任一熟练即可，有实际项目开发、脚本编写经验优先
- 了解Docker容器化技术、K8s基础概念，有容器部署、镜像打包经验优先。
- 加分项（优先录用）
- 有大模型相关项目、安全产品开发、私有化部署实习或课程项目经验
- 熟悉Git代码管理工具，能够独立完成代码提交、分支管理、版本合并。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：我们团队研发尖端云安全解决方案，为字节跳动及企业客户提供规模化安全防护。依托安全部门深厚的技术积累，以及对客户安全需求的深刻理解，我们借助领先技术与产品，通过全方位智能防御体系应对各类实际安全挑战。我们的工作确保云环境始终安全、可靠，为整个组织的创新实践提供有力支撑。
- 1、协助大模型安全产品相关功能模块研发，参与技术方案讨论与代码开发，编写和维护相关研发文档；
- 2、协助产品私有化方案设计和研发，适配云Stack，建设产品标准私有化输出方案；
- 3、参与项目相关的交付部署、数据处理与测试验证，积累AI+安全领域工程实践经验；
- 4、参与端到端机密链路SDK多语言能力研发。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。