字节跳动
校招Agentic AI研发工程师（架构方向） - TikTok研发
深圳 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 2027届获得本科及以上学历，计算机、人工智能、软件工程、数学等相关专业优先
- 具备扎实的计算机基础，熟悉数据结构、算法、操作系统、计算机网络及软件工程
- 熟练掌握Python、Go、Java、C++、TypeScript中至少一种编程语言
- 了解大语言模型基本原理，熟悉Prompt Engineering、RAG、Function Calling、Agent Framework等技术
- 具备较强的工程实现能力，能够独立完成技术调研、原型开发、实验评估和问题定位
- 对复杂问题有强烈好奇心，具备清晰的逻辑分析能力和持续学习能力；认可快速实验、数据驱动和结果导向的研发方式。
- 加分项：
- 参与过Agent、RAG、大模型应用或模型训练相关项目
- 熟悉LangGraph、AutoGen、OpenAI Agents SDK、Claude Code、MCP、A2A等框架或协议
- 具备模型微调、强化学习、推理优化或智能体评测经验
- 在人工智能相关会议发表过论文，或在高水平竞赛中取得优秀成绩；有高质量开源项目、技术博客或活跃的开源社区贡献；在实习、科研或个人项目中独立解决过具有挑战性的真实问题。
岗位描述
团队介绍：TikTok研发团队，旨在实现TikTok业务的研发工作，搭建及维护业界领先的产品。加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，支持产品在全球赛道上高速发展；也能接触到包括服务架构、基础技术等方向上的技术挑战，保障业务持续高质量、高效率、且安全地为用户服务；同时还能为不同业务场景提供全面的技术解决方案，优化各项产品指标及用户体验。
在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。目前在北京，上海，杭州、广州、深圳分别开放多个岗位机会。
- 1、我们正在寻找对Agentic AI充满热情、具备优秀技术潜力的应届毕业生。你将参与智能体核心能力与产品的研发，探索大模型在任务规划、工具调用、记忆、推理、多智能体协作和自主执行等方向的落地；
- 2、参与Agentic AI系统的设计与研发，包括任务规划、工具调用、记忆管理、上下文工程、多智能体协作等核心能力，研究并落地大模型推理、RAG、工作流编排、模型评测及强化学习等相关技术；
- 3、构建面向真实业务场景的智能体产品，持续提升任务成功率、执行效率、稳定性和用户体验，建设智能体评测体系，分析复杂任务中的失败原因，推动模型、策略和工程架构持续迭代；
- 4、跟进Agentic AI领域前沿进展，将优秀论文、开源项目和技术方案转化为可验证的产品能力；
- 5、与产品、算法及工程团队紧密协作，推动智能体能力规模化应用。
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。