字节跳动
实习后端研发实习生（AI Agent效率研发）-安全与风控
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、软件工程或相关专业
- 编程能力：熟练掌握至少一门后端编程语言（Golang、C++、Java或Python），代码风格良好，有实际的项目开发经验
- AI认知：对大语言模型（LLM）有深入理解，熟悉OpenAI API、Anthropic或国内主流大模型的使用，熟悉LangChain、LlamaIndex等应用开发框架，或了解RAG（向量数据库技术）的基本原理
- 技术栈：了解MySQL、Redis等常用数据库；了解Docker/K8s等容器化技术者优先
- 软技能：具备较强的自驱力和好奇心，善于阅读英文技术文档，能够快速学习新技术并解决复杂问题。
- 加分项
- 有实际的AI Agent、Chatbot或RAG相关项目开发经验（GitHub开源项目或Demo亦可）
- 对企业安全（网络安全、终端安全）领域有一定了解
- 有Golang高并发开发经验
- 实习时间充裕，能够连续实习4-6个月以上，每周出勤4天以上。
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：我们团队研发新一代零信任安全平台，为人工智能时代的内部系统及企业客户提供安全保障。
凭借多年企业安全领域实战经验积累的深厚专业能力，我们致力于提升网络安全防护水平，助力字节跳动及客户在数字化转型之路上稳步前行。
通过构建具备韧性的智能防御体系，为字节跳动及其客户生态系统守护核心资产，赋能安全可信的创新实践。
- 1、AI Agent架构设计与开发：参与飞连内部及产品侧AI Agent平台的后端开发，利用LangChain、LlamaIndex等框架构建高可用的智能体服务；
- 2、效率工具智能化改造：结合飞连业务场景（如自动化运维、安全告警分析、智能客服），通过Prompt Engineering和RAG（检索增强生成）技术，提升内部研发与运维效率；
- 3、后端服务建设：负责相关微服务的API设计、开发与维护（主要语言：Golang/Python），确保系统的高并发处理能力与稳定性；
- 4、前沿技术落地：调研最新的LLM应用模式（如Multi-Agent协作、Tool Calling），将其转化为可落地的技术方案。
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。