← 返回岗位列表

字节跳动

校招

智能体安全研发工程师(AI安全) - 安全与风控

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、软件工程、网络安全、人工智能等相关专业
  • 熟悉至少一种编程语言,如Python、Go、Java或Rust
  • 扎实的数据结构、算法、操作系统、计算机网络和数据库基础
  • 对LLM、AI Agent、网络安全及云计算充满热情,具备良好的学习能力和工程实践能力;热爱AI+Security,关注AI Agent、LLM和Agentic AI的最新发展;对企业级AI安全产品充满兴趣,希望解决真实世界中的安全与治理问题;乐于学习新技术,具备良好的工程实践能力和团队协作能力
  • 加分项:有AI Agent或AI产品开发经验,熟悉LangChain、Dify等框架;熟悉RAG、Embedding、Prompt Engineering等技术;有机器学习、后端开发、云原生、安全或开源项目经验者优先。

岗位描述

团队介绍:我们团队研发尖端云安全解决方案,为字节跳动及企业客户提供规模化安全防护。

依托安全部门深厚的技术积累,以及对客户安全需求的深刻理解,我们借助领先技术与产品,通过全方位智能防御体系应对各类实际安全挑战。

我们的工作确保云环境始终安全、可靠,为整个组织的创新实践提供有力支撑。

  • 1、参与AI Security相关产品的设计、开发与持续优化;
  • 2、AI Traffic安全能力建设,对Agent的Prompt、Context、Tool Calling、MCP通信及API调用进行安全检测、策略控制和风险拦截;
  • 3、Agent Runtime安全能力建设,包括工具权限控制、行为约束(Guardrails)、运行时风险检测及异常行为分析;
  • 4、Agent身份认证、权限管理、Policy Engine、Credential Vault、审计日志等安全能力;LLM应用的安全评测、Agent行为评估(Agent Evaluation)及AI红队测试(AI Red Teaming);
  • 5、跟踪Generative AI、AI Agent、AI Security等前沿技术,并推动创新方案落地;
  • 6、参与打造新一代企业级AI安全产品,帮助企业安全地构建、部署和治理AI智能体(Agent)及大语言模型(LLM)应用;平台覆盖AI Traffic Security、Agent Runtime Security、Agent IAM等核心能力,为企业提供端到端的AI安全解决方案。

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)

类型专业能力·难度困难
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

类型项目经历·难度中等
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

类型专业能力·难度简单
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

类型专业能力·难度中等
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

类型情景/案例·难度中等
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。