字节跳动
校招搜索大模型算法工程师 - TikTok Shop
上海/杭州 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 2027届获得硕士及以上学位，人工智能、计算机、软件工程、电子信息、自动化、数学、统计等相关专业优先
- 具备扎实的数据结构、算法和编程基础，熟练掌握C/C++、Python等至少一种编程语言，具有良好的工程实现能力
- 熟悉机器学习、深度学习基础，了解Transformer、Attention、Embedding、Optimization等算法，熟悉PyTorch等深度学习框架
- 在搜索、推荐、广告、信息检索（IR）、自然语言处理（NLP）、大语言模型（LLM）、多模态、强化学习（RL）等一个或多个方向具有较深入的研究或实践经验者优先
- 具备良好的问题分析与解决能力，具有较强的学习能力、沟通协作能力和技术探索精神，能够快速推动创新技术落地。
- 加分项
- 具有扎实的机器学习、深度学习、强化学习基础，在Agentic Search、Search Agent、Deep Search、Deep Research、LLM、RAG、Post-Training、多模态、World Model、RLHF/RLVR等方向具有深入研究经验
- 在KDD、SIGIR、WWW、ICML、NeurIPS、ICLR、ACL、EMNLP、NAACL、CVPR、ECCV、ICCV、AAAI、IJCAI、CoRL等国际顶级会议或期刊发表论文者优先
- 获得ACM/ICPC、NOI、IOI、TopCoder、Kaggle等国内外算法竞赛奖项者优先
- 具有Agentic Search、Search Agent、Deep Search、Deep Research、RAG、LLM Post-Training、Preference Learning、RLHF/RLVR、Synthetic Data、Long Context、Memory等方向的项目经验者优先
- 具有大规模搜索引擎、推荐系统、计算广告、分布式训练、大模型训练与推理优化、超大规模数据计算等相关经验者优先
- 主导或参与过具有较大影响力的Agentic Search、大模型、Agent或AI应用项目，具有优秀的技术创新能力和工程落地能力者优先。
岗位描述
团队介绍：TikTok Shop 是 TikTok 旗下的内容电商业务，致力于成为用户发现并获取优价好物的首选平台。面向直播电商、视频内容电商、货架电商等多元购物场景，国际电商持续为全球用户提供更个性化、更主动、更高效的消费体验，也为商家提供稳定、可靠、可持续增长的平台服务，推动“新奇好物畅销全球，美好生活触手可得”的使命落地。
目前，国际电商算法团队分布在中国、美国、新加坡等多个国家和地区，深度参与全球化业务建设。加入我们，你将有机会面向全球用户、商家和商品生态，与跨区域的产品、工程、运营和业务团队协作，持续提升商品供给质量、用户购物体验、平台交易效率与履约体验，共同探索内容电商与智能购物的新模式。
Data-国际电商团队是 TikTok Shop 的核心算法技术力量，专注于电商场景下的算法创新与规模化落地，方向包括但不限于：生成式推荐与大规模 Foundation Model、多模态商品理解与内容生成、搜索与导购、智能客服、风控治理、物流履约优化、商家经营智能化，以及 Agentic 智能体在电商全链路中的应用。我们希望通过先进的算法能力，帮助用户更高效地发现感兴趣的商品，帮助商家实现更高质量的经营增长，并持续提升交易各环节的智能化水平。
在这里，你将与一流的产品和技术团队合作，面对复杂且真实的国际化电商挑战，推动前沿技术在大规模业务场景中落地，与团队一起创造更多可能。
- 1、探索大模型与搜索深度融合的创新技术，参与下一代Agentic Search引擎研发，负责搜索全链路（Query理解、规划、召回、重排、生成）的算法设计与优化，包括Query Understanding、Retrieval、Ranking、RAG、LLM、Agent、多模态、强化学习等方向，持续提升搜索相关性、回答质量、用户体验及业务价值；
- 2、参与Agentic Search能力建设，负责Search Agent、Deep Search、Deep Research等能力研发，探索Planning、Tool Use、Multi-hop Retrieval、Information Grounding、Citation、Self-Verification等关键技术在真实搜索场景中的落地；
- 3、参与搜索基础模型（Search Foundation Model）训练与数据体系建设，构建覆盖数据、评测、训练的完整闭环，包括SFT、Preference Learning、RLHF/RLVR、Distillation、Synthetic Data、Self-Improvement、Long Context、Memory等方向；挖掘用户行为与搜索日志，构建Query理解、召回、排序、Agent推理等训练数据，设计Rubric、LLM-as-a-Judge、自动化评测体系，持续提升模型推理能力、泛化能力与效果；
- 4、深入参与搜索产品设计，与产品、工程团队共同推动算法方案高质量落地，持续优化Agentic Search产品体验，打造面向亿级用户的新一代智能搜索系统；
- 5、持续关注国际前沿研究，探索大模型、Agent、多模态、强化学习、长上下文、Memory、Inference-time Compute等技术在Agentic Search场景中的创新应用。
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。