字节跳动
实习后端开发实习生-Dev AI
杭州 · 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、人工智能或相关专业优先
- 具备软件开发基本功，掌握C/C++/Golang/Java/Python中至少一种编程语言
- 具备优秀的学习能力、乐于快速探索并实践全新的领域技能
- 对软件研发全生命周期的工具链有理解，对LLM应用研发技术栈有了解者加分。
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：Codebase 部门专注于代码领域的核心工作，包括字节跳动的代码托管、代码分析的基础架构搭建，以及相关前沿技术的深度探索。随着大语言模型（LLM）技术的迅速发展，我们积极布局，开展了一系列与 Code Agent 相关的技术研究和应用孵化工作。通过这些努力，我们致力于打造更加智能、高效、安全的新一代基础设施，为公司的技术发展和业务创新提供坚实支撑。
- 1、探索并打造基于LLM的下一代生产力工具，重点围绕软件研发场景（包括代码托管、代码分析、IDE等各工具平台），实现LLM赋能，具体方向如：
- 1）代码知识库及理解：结合目前字节跳动全域代码数据，提供语义化代码检索能力、支持基于自然语言的Q&A及示例代码生成；
- 2）代码辅助生成及修复：结合CI/ Static Analysis的结果、提供摘要性总结及修复建议；结合其他研发基础设施（如IDE / Code Interpreter）、实现AI-Generated Code具备生产级交付能力；
- 2、探索并打造企业级LLM应用研发基础设施，建设LLM应用开发的接入平台及基础框架能力。
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。