字节跳动
实习【实习】大模型Agent工具体系的自动化演进框架：本体自动构建与迭代优化-集团信息系统（深圳）
深圳 · 实习 · 2027 届 · 博士
长期有效
任职要求
- 2027届及以后毕业，博士在读，有人工智能、计算机、软件工程等相关专业的学术研究经历优先
- 扎实的算法和数据结构基础，熟练掌握Python/Go/C++等至少一种编程语言
- 动手能力强，熟悉NLP/CV领域的理论基础，掌握统计模型、机器学习相关原理，具有实战经验，参与过相关项目
- 学习能力优秀，有良好的团队合作精神，有责任心
- 熟悉业界领先大语言模型（GPT系列、LLaMA、ChatGLM等）的原理与训练方法，有NLP、计算机视觉、多模态大模型等科研经历或者对LLM有实践应用经历优先
- 在顶级学术会议（如CVPR、ICCV、ECCV等）发表论文者优先；在Kaggle，COCO，ImageNet，ActivityNet，ICPC，NOI/IOI等比赛获奖者优先。
岗位描述
团队介绍：集团信息系统部（Corporate Information System）负责字节跳动信息系统建设。通过构建领先的信息系统，助力公司业务和组织的长期高效经营与发展。与此同时，在安全、隐私、合规层面持续治理，为公司的稳健发展保驾护航。字节跳动的业务模式复杂，用户规模大。到现在，集团信息系统部已经覆盖人事、财务、法务、采购、审批、职场等多个领域，隐私安全工作同步开展，AIGC创新孵化也在逐步落地实现。
课题介绍：
随着大模型Agent能力的快速发展，企业级AI助手正从单轮问答走向多工具协同的复杂任务执行。公司内部已接入大量内部MCP服务并封装为Skill供Agent调用。然而，当Skill规模从数十增长至数百甚至上千时，模型的工具选择准确率和参数填充质量显著下降。现有学术研究（ToolLLM、ToolBench等）均假设工具描述由人工编写且固定不变，忽略了两个关键优化维度：一是Skill语义描述本身可作为可优化变量，通过自动化迭代提升模型理解；二是Skill的粒度划分（合并、拆分、重组）直接影响工具选择的搜索空间复杂度。本课题提出SkillForge框架，借鉴Autotool、Automl的自动化实验循环思想，研究大规模Skill体系下描述优化与拓扑结构联合搜索的方法。
课题挑战：
- 1、Skill间语义边界模糊导致路由冲突，单点优化引发全局回归；
- 2、合并/拆分涉及Schema兼容与权限约束，搜索空间组合爆炸；
- 3、缺乏标准化的端到端评估体系与真实场景Benchmark。
课题价值：
- 1、技术价值：填补Tool Description自动优化与Tool Ontology联合搜索的学术空白，预期产出顶会论文；
- 2、业务价值：直接提升企业Agent的工具调用准确率，降低Skill运营的人工维护成本。
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。