字节跳动
校招AI搜索后端开发工程师 - Data AML
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，计算机科学与技术、人工智能、软件工程等相关专业优先
- 扎实的计算机基础知识，深入理解数据结构与算法、操作系统、计算机网络、数据库原理
- 熟练掌握至少一门后端编程语言（Go/Java/Python/C++等），具备良好的工程编码习惯和代码质量意识
- 对搜索、推荐或AI领域有强烈兴趣，了解信息检索、推荐系统或大语言模型相关基础知识者优先
- 具备优秀的逻辑分析能力，能够对复杂业务逻辑进行合理的抽象、拆分与建模
- 有强烈的求知欲、自驱力，优秀的学习能力与团队沟通协作能力。
- 加分项：
- 熟悉搜索/推荐常见技术栈：Elasticsearch/OpenSearch、Faiss/Milvus向量检索、召回与排序算法、Embedding技术、Query理解、推荐特征工程等
- 有搜索、推荐、广告、内容平台、AI Agent相关实习或项目经验。
岗位描述
团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。
- 1、参与AI Agent类产品的架构设计与开发，涵盖意图理解、多轮对话、工具调用、RAG检索增强、洞察生成等核心能力，将大模型能力深度融入搜索与推荐链路，打造智能化、可信赖的企业级信息服务体验；
- 2、参与系统整体架构设计与核心代码开发，支撑亿级内容/数据规模下的高并发、低延迟服务；攻克海量数据处理、多租户数据隔离、服务解耦与弹性扩缩容等技术难题，保障系统的高可用与可扩展性；
- 3、以AI技术为驱动，构建内容理解、内容生成、合规风控等内容生态共性技术能力，包括文本/多模态内容的语义理解、标签体系、质量评估、风险识别与内容安全审核等；
- 4、参与大模型相关前沿业务系统的研发与工程化落地，探索LLM在搜索、推荐、Agent场景下的创新应用，推动技术选型与系统迭代。
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。