字节跳动
校招计算SRE - AI算力基础设施
北京/杭州/上海 · 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、软件工程、通信等相关专业优先
- 扎实的计算机基础（操作系统、网络、数据结构），熟悉Linux负载模型、资源模型、网络IO模型等
- 熟悉至少1门开发语言（Go/C、C++/Java/Python/JavaScript等），有独立编码与工程落地能力
- 善于从系统全局思考问题，面对复杂、模糊的场景敢于挑战、能拿结果；自驱学习、乐于协作。
- 加分项（满足其一即可，非硬性）
- 有分布式系统、云计算（K8s/容器/虚拟化）、或GPU/AI训练推理相关的项目、实习或研究经历
- 熟悉调度、资源管理、性能调优，或有可观测性/稳定性方向的实践
- 有用AI/LLM/Agent解决实际工程问题的经历，或对AIOps方向有热情
- 有开源贡献、ACM/竞赛、顶会论文，或独立完成过有一定复杂度的系统。
岗位描述
团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。
- 1、参与大规模计算集群（物理机、容器、GPU）的稳定性建设：容量规划、容灾演练、故障定位与根因治理，保障业务与大模型训推的SLO；
- 2、参与算力资源效率经营：CPU、GPU利用率提升、在离线混部、资源池化与弹性调度、成本优化，用数据驱动资源的“存—调—取”闭环；
- 3、面向AI Infra建设系统化运维解决方案：训练、推理集群的交付、压测、GPU故障自愈与稳定性守护；
- 4、参与设计并实现支撑大规模集群的自动化运营平台与工具链，把重复运维沉淀为可复用的平台能力；
- 5、探索AIOps/运维Agent：用LLM与智能体能力做告警降噪、变更观测、无人值守与智能盯屏，降低人力投入、提升响应速度。
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。