字节跳动
实习AI Agent开发实习生-TikTok搜索
北京 · 实习 · 本科
长期有效
任职要求
- 本科及以上学历在读，计算机科学/软件工程/人工智能或相关专业优先
- 每周可实习4天，持续3个月，扎实的编程基础，熟悉至少一门主流语言（TypeScript/JavaScript/Python/Go等），具备良好的代码风格和工程习惯
- 自驱力强，学习速度快，乐于探索新技术；面对不确定性时，能主动拆解问题、寻找路径
- 良好的沟通与协作能力，能高效与Mentor和跨职能团队配合推进任务。
- 加分项：
- 有实际使用AI编程工具（如Cursor、GitHub Copilot、Aime等）辅助开发的经验，能描述具体场景和效果
- 对LLM/AI Agent有基本认知，了解Prompt Engineering、Function Calling、RAG等概念，有过基于AI工具链（如LangChain、MCP、Agent Framework等）搭建应用或自动化流程的尝试
- 接触过跨端开发技术（Lynx、RN、Flutter等）或有移动端/服务端开发经验
- 有高质量的个人项目、开源贡献、技术博客或竞赛经历。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：TikTok搜索团队致力于为用户提供精准高效的搜索工具，创造良好的搜索体验，提升信息流动的效率，同时高价值的搜索流量也能带来商业化价值，为TikTok生态内的其他业务提供高效的入口，支持内容生态的发展，提升中尾部视频的消费力量。
你可以有机会参与核心业务功能的开发工作，接触到第一线的用户，我们期待你的加入！
- 1、在Mentor指导下，参与TikTok搜索结果页等场景的产品研发，与产品、设计、算法团队紧密协作，通过A/B实验与数据分析驱动功能迭代，持续优化亿级用户的搜索体验；
- 2、基于Lynx/Android/iOS/Server等多端技术栈，参与搜索业务模块的开发与调优，在性能瓶颈、稳定性保障等真实工程挑战中，系统性地积累跨端开发经验；
- 3、将AI Agent融入日常研发流程——从辅助编码、智能调试到自动化测试，参与AI工具在搜索业务场景中的探索与落地实践；
- 4、协助推进性能监控、异常治理、缓存预加载等专项优化，从数据采集到方案落地全链路参与，深入理解大规模应用的工程化运作体系。
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。