字节跳动
实习大模型知识图谱算法实习生-飞书AI
上海 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机、软件工程等相关专业优先
- 具备NLP、LLM应用或RAG其中一个方向的相关经验，具备较强的编程能力
- 有较强的评测意识和科学的评测思路
- 有较强的创新能力，有不断探索新AI技术和应用场景的强烈意愿和主观能动性
- 有较强的解决问题能力，善于解决各种繁琐的技术问题（如：数据质量问题、训练问题、部署兼容性问题等）
- 对数据比较敏感，能细致完成数据工作，包括数据质量、数据分布、案例分析、数据调优等。
- 加分项：
- 有一定的GraphRAG或类似经验
- 在垂直场景（如：法务/供应链领域知识管理）有一些相关案例沉淀
- 在复杂知识管理场景上，做过多源异构知识的统一处理
- 有处理音/视/图/文档的多模态相关经验。
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：Intelligence and Innovation团队，是飞书部门内部负责做算法创新与实践的部门，深耕于ToB办公场景的LLM应用相关的前沿技术探索与落地。既通过ASR、大模型文本总结、智能函数、多模态等AI中台能力的建设来支持飞书内外语音识别、会议纪要生成、智能表格公式等各类AI产品，同时也负责了企业AI搜索与知识管理等业务的落地和推广，团队目标是将飞书打造为AI与人高效协作的下一代智能平台，实现 “有效率、有方法、有结果” 的产品愿景。
- 1、知识图谱构建：协助设计和构建企业级知识图谱，解决协同场景（人、任务、文档、会议）以及跨业务系统的信息孤岛，实现知识的互联互通，为企业建立统一高效的知识管理体系，更好的支持LLM落地；
- 2、围绕Graph探索LLM新应用模式：基于企业知识图谱，协助探索RAG/Agent的落地新范式，使其能够在复杂的企业知识网络中进行精准的信息检索、关联分析和逻辑推理；
- 3、模型迭代与优化：协助持续优化大语言模型及RAG系统在企业知识管理领域的表现，构建针对性的评测方法，生产和维护高质量的企业领域数据集；
- 4、前沿技术研究与应用：密切关注知识图谱、LLM推理等领域的最新研究成果，将前沿技术应用于企业知识管理实践中。
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。