字节跳动
校招AI全栈开发工程师（生服/大前端） - 中国交易与广告
北京 · 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、人工智能、软件工程等相关专业
- 具备Web前端+移动端一体化开发能力：熟练掌握JavaScript/TypeScript、React等主流前端框架；熟悉iOS（Swift/Objective-C）、Android（Kotlin/Java）、HarmonyOS（ArkTS/C++）至少一端开发体系；理解内存管理、多线程、网络优化，掌握常用数据结构与算法
- 理解移动端架构思想（模块化/组件化/动态化），了解跨平台开发方案；熟练使用Instruments、Systrace、DevEco等性能分析工具，能够独立定位并解决复杂技术问题
- 理解LLM基础原理，熟悉AI Agent核心模块（Prompt工程、记忆机制、工具调用、RAG、多智能体），可基于业务场景完成不同层级大模型选型
- 熟练使用主流AI编码辅助工具（TRAE、Claude Code、Codex等）；能够借助AI完成需求拆解、代码实现、复杂逻辑重构、故障定位修复、单元测试编写、代码评审，具备AI协同研发思维
- 掌握Git常用操作；拥有良好沟通表达与团队协作意识，对新技术保持好奇心，擅长独立思考、复盘总结；拥有相关岗位实习或项目开发经历优先。
- 加分项
- 具备iOS/Android/鸿蒙多端或跨端实战经验；独立实现过复杂业务页面、H5互动应用、数据可视化、高性能动效；拥有大型App内存、功耗、启动速度、渲染流畅度专项优化经验
- 擅长运用AI Coding工具、AI Agent提升研发效能；具备AI辅助大前端开发、Agent部署与二次开发实践；了解MCP协议、LLM工具调用机制，能够搭建AI自动化研发工作流并沉淀可复用模板与工程实践
- 拥有电商交易、商家经营、营销活动、物流履约、本地生活等业务系统开发经验；或具备对话应用、智能任务编排、企业知识库平台相关项目落地经历。
岗位描述
团队介绍：中国交易与广告，负责抖音电商、生活服务、广告营销等营收业务的研发。用技术带来美好生活，让用户发现更多优价好物，为用户提供更丰富独特的生活体验；连接海量用户与商家，促进交易达成，让生态里全流程体验更流畅，助力营收业务长效增长。
加入团队，你将投身流量与增长主战场，挑战复杂业务场景技术难题；直面真实商家和用户，用技术解决看得见的问题，在实战中快速成长，书写属于你的价值故事！
- 1、依托AI Coding工具开展研发工作，独立负责电商、生活服务相关项目大前端全栈开发，涵盖Web前端、iOS、Android、鸿蒙客户端功能迭代与接口联调，保障业务需求高质量落地；
- 2、参与Web及移动端技术选型与架构演进，面向iOS、Android、HarmonyOS开展三端跨平台架构设计，实现多端自适应布局、复杂交互与动效，持续优化多屏协同场景用户体验；
- 3、深度参与业务全生命周期工作，覆盖需求分析、方案设计、编码实现、性能调优至灰度上线，支撑商品、交易、营销活动、商家经营工作台、履约链路等电商/生活服务核心场景；联动产品、算法、数据、后端等跨职能团队，推动技术方案对齐落地，探索AI/Agent在大前端与业务场景的创新实践，依托大模型重构研发流程与终端用户交互体验；
- 4、围绕内存占用、设备功耗、启动速度、渲染流畅度等核心指标开展深度性能优化，攻克各类疑难技术问题，持续打磨大前端体验上限；
- 5、主导或参与大前端基础设施建设，包括通用组件库沉淀、跨端框架迭代、工程化工具链优化、CI/CD交付流程升级，提升团队整体研发效能。
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。