字节跳动
校招安全研发工程师（AI for客户端安全） - 安全与风控
北京/杭州 · 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
- 熟练掌握Go、Java、Kotlin、C/C++中至少一门语言，有良好的系统设计与代码能力；熟悉客户端安全原理，对Android/iOS/HarmonyOS/PC至少一个方向有较深入理解
- 熟悉常见静态分析、动态分析、插桩、逆向或二进制分析技术，理解相关工具原理与适用边界
- 有客户端漏洞挖掘、自动化检测或安全平台建设经验，对漏洞形成机制和检测链路有较深理解
- 具备良好的工程落地能力，能把零散安全问题沉淀为稳定、可复用的平台能力
- 加分项：二进制漏洞挖掘/逆向/编译器分析/LLM Agent安全实践/扫描平台建设经验。
岗位描述
团队介绍：负责公司大模型信息安全保障体系，持续识别和治理大模型衍生出的新型风险，并建设相应安全产品,保障大模型及其应用在训练、推理和部署等阶段的安全。同时将大模型相关技术应用到安全技术和安全运营领域，实现技术突破，做到效果和效率双提升。
- 1、负责公司级客户端安全扫描与攻击面发现平台建设，面向Android、iOS、HarmonyOS、PC等生态，持续提升资产识别、风险发现与漏洞检测能力；
- 2、参与静态分析、动态分析、二进制分析等核心引擎研发，建设可规模化、可持续演进的自动化扫描体系；
- 3、结合真实业务场景，推动安全能力向主动攻击面发现与高价值漏洞挖掘系统升级；
- 4、围绕组件暴露、JSB/Deeplink、权限边界、业务逻辑风险等关键场景，建设高质量检测能力；
- 5、探索并落地LLM/Agent在安全检测中的应用，推动规则引擎与智能研判能力结合，构建新一代自动化漏洞发现能力。
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。