字节跳动
校招AI全栈工程师 - 抖音用户产品
北京/上海/成都 · 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
- 扎实的计算机基础，熟悉数据结构、算法、操作系统、计算机网络等核心知识
- 至少熟悉以下一个技术方向，有相关的项目实践经验：客户端方向（熟悉Android（Java/Kotlin）、iOS（Swift/Objective-C）或鸿蒙（ArkTS）开发，了解移动端架构设计和性能优化）、前端方向（熟悉React/Vue/TypeScript等至少一种技术栈，了解前端工程化和性能优化）或后端方向（熟悉Go/Python/Java/C++等至少一门语言，了解常见系统设计概念（数据库、缓存、消息队列、RESTful API等））
- 对全栈开发有热情和意愿，愿意在导师指导下拓展不熟悉的技术领域
- 较强的自驱力和学习能力，能快速掌握新技术并应用于实际场景
- 良好的沟通表达能力和团队协作意识。
- 【加分项】
- 具备跨端开发经验（如客户端+后端、前端+后端等），能独立完成全链路项目
- 有独立开发并上线过完整项目（个人项目、开源项目、课程项目均可）
- 有高并发、分布式系统相关的学习或实践经验
- ACM/ICPC、CTF等技术竞赛获奖经历，或在GitHub有活跃的开源贡献或技术社区有持续输出
- 对AI/LLM技术有兴趣，有使用大模型API或AICoding工具进行项目开发的经历，或有AI Agent、RAG系统、Prompt Engineering等方面的实践经验
- 有社交产品或即时通讯相关的项目经验。
岗位描述
团队介绍：抖音用户产品研发团队为抖音全业务提供研发支持与底层技术能力，是驱动业务持续进化的重要工程力量之一。团队围绕首页、推荐、搜索、图文、中长视频、AI 创作、相机、账号及社交通讯等核心场景，承担从客户端、服务端到 AI 工程链路的端到端建设，在亿级 DAU 的真实流量下，持续攻坚极致体验与前沿 AI 系统的工程命题。
我们相信，AI 正在重塑产品的底层架构。团队依托大模型与多模态技术、Multi-Agent 系统工程、在线推理与评测基础设施，面向下一代 AI 原生应用持续投入：在社交与通讯场景，探索长期记忆、多模态理解与人格化对话的技术边界，构建真正能陪伴用户的 AI 交互系统；在内容与创作场景，建设面向亿级创作者的多模态生成与可控创作引擎，让 AI 成为创作者的表达延伸；在搜索与信息获取场景，探索生成式检索、Agentic Search 与个性化推理的新一代系统架构，重新定义 "人与信息" 的连接方式。
这里有工业界领先规模的真实流量，有最前沿的 AI 工程命题，也有一群把技术做到极致的同行者。诚邀热爱技术、追求极致、渴望在真实世界解决硬核问题的你加入我们，一起在 Agent 驱动的技术浪潮中，构建支撑大规模用户的新一代产品。
- 1、全栈产品研发：参与社交与通讯相关产品的客户端、前端或后端开发工作，在导师指导下完成从需求分析、方案设计到编码上线的完整研发流程；
- 2、工程体系建设：参与系统架构设计与优化、性能调优、API设计、自动化测试等工程化工作，提升系统的稳定性和可维护性；
- 3、AICoding实践：使用AICoding工具（如Cursor、Copilot、TRAE等）辅助日常开发，探索AI驱动的研发提效方式；
- 4、AI能力集成：参与将AI能力融入社交与通讯产品的技术方案设计与落地，如智能对话、内容理解、社交推荐等方向。
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。