字节跳动
校招AI搜索算法工程师 - 中国交易与广告
北京/上海 · 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、机器学习和模式识别等相关专业优先
- 具备优秀的编码能力和扎实的数据结构与算法功底，熟练掌握C/C++或Python
- 熟悉机器学习/深度学习基础理论，对LLM相关技术（如PE/RAG/SFT/RLHF、模型蒸馏与部署）有理论认识，有相关课程项目、科研或实习实践经验者优先
- 具备良好的问题分析与解决能力，对AI搜索、大模型应用方向有浓厚兴趣，乐于深入钻研技术难题
- 具备良好的沟通协作能力，愿意与团队共同探索新技术、落地新方案。
岗位描述
团队介绍：中国交易与广告，基于个性化推荐、深度学习和大模型技术，依托抖音、今日头条、红果短剧、西瓜视频、番茄小说等多元产品，构建抖音电商、生活服务、广告营销等核心营收业务的算法策略和工程架构。部门运用领先的算法能力，精准连接海量用户与商家，通过推荐、广告和搜索算法精准匹配需求并促进交易达成，保障用户体验与商家权益，实现营收业务可持续增长；基于深厚的技术积累，构建高效、智能、可靠的交易与广告产品，全面提升多行业收入变现与市场占有。在这里，你将直面超大规模流量与复杂业务场景的技术挑战，深度应用业界领先的商业模型与算法技术，投身面向未来的数字营销能力建设，持续探索前沿技术。
- 1、参与新一代商业AI搜索系统建设，推动搜索能力从“匹配式”向“理解与决策式”升级；深度参与大模型的数据构建、后训练（SFT/RLHF/DPO/GRPO）与评测体系设计，技术方向包括但不限于Query改写、意图识别、Tool Box搭建、Generation优化等；
- 2、参与构建大规模高质量数据集，训练并优化搜索相关模型；探索将前沿LLM融合至搜索系统，通过模型自研与推理优化实现降本与延迟优化；
- 3、基于LLM理解用户复杂查询、支持多轮对话交互；对查询与文档进行语义分析，为用户提供精准、客观的搜索结果；
- 4、参与AI搜索基础设施建设，优化RAG架构中的检索排序算法；参与答案生成LLM的训练与优化，提升搜索结果的丰富度与结构化表达；
- 5、推动研究成果的工程化落地，助力产品创新迭代与体验升级。
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。