字节跳动
实习算法实习生-业务中台
深圳 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机、人工智能、软件工程等相关专业优先
- 每周出勤至少4天，可实习4个月以上
- 具备优秀的学习能力，能快速理解复杂Agent逻辑、评测痛点与业务目标，主动思考远多于被动执行
- 有大模型/LLM/Agent评测、对话系统评估、模型迭代相关经验，熟悉主流大模型生态，有评测工具开发、自动化评测、模型调用经验者优先
- 具备高度自驱力和执行力，注重结果导向，勇于突破创新，对高质量有追求，对问题坚持探索
- 有评测集构建、评测方案设计、数据分析/结论提炼能力，能从数据中发现真问题、给出真方案。
- 岗位亮点
- 技术前沿：接触大模型、智能体等前沿技术，参与从0到1的技术创新
- 业务价值：工作直接支撑亿级用户产品的核心体验，影响力大
- 成长空间：Mentor为算法领域专家，提供一对一指导，团队氛围开放包容。
岗位描述
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
团队介绍：团队负责公司多个跨产品业务方向，提供可复用的平台能力及技术解决方案。我们为公司多业务提供如地理位置、行业数据等多类型的中台能力与技术解决方案，积极利用AI等技术做中台能力提效与升级。
加入我们，你将有机会从中台的多视角参与业务建设，感受不同类型/阶段的业务特点；通过用户场景的开发&架构工作，学习和解决极富挑战的技术问题；你也可以从数据出发，积极利用策略和模型，为业务提供有价值的助力。
- 1、参与大模型智能体系统的架构设计与核心功能开发，包括任务规划、工具调用、记忆管理等模块；
- 2、负责智能体关键能力的研发，如复杂任务拆解、多轮对话管理、上下文理解与保持等；
- 3、结合文本、图像、语音等多模态信息，探索智能体在不同场景下的交互模式；
- 4、持续优化智能体系统的性能、稳定性和用户体验，探索前沿技术在智能体领域的应用；
- 5、将智能体技术应用于实际业务场景，解决用户痛点，提升产品体验。
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。