字节跳动
校招AI Agent安全研究员 - TikTok研发
上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 2027届获得硕士及以上学位
- 在AI Agent、安全、人工智能、系统或隐私领域发表过论文，或有完整论文投稿经历；以主要作者身份完成过研究项目、毕业论文、开源项目、数据集或Benchmark；熟悉大语言模型和AI Agent的基本原理，理解任务规划、工具调用、上下文管理、记忆和多Agent协作机制
- 具备Agent系统相关研究或实践经验，包括但不限于：LLM Agent或Agent Framework开发；Tool Use、Function Calling或MCP；浏览器Agent、代码Agent或企业自动化Agent；RAG、长期记忆或多Agent系统
- 有Agent安全攻击、防御、红队评测或安全Benchmark相关研究经历；有真实Agent系统开发、部署、评测或故障分析经验
- 能够提供可展示的研究产出，例如论文、技术报告、代码仓库、Demo、开源项目或实验结果；熟悉Agent Framework、MCP、RAG、沙箱、权限控制、程序分析、信息流追踪或形式化方法
- 有安全攻防、漏洞研究、网络安全竞赛或红队实践经验。
岗位描述
团队介绍：TikTok研发团队，旨在实现TikTok业务的研发工作，搭建及维护业界领先的产品。加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，支持产品在全球赛道上高速发展；也能接触到包括服务架构、基础技术等方向上的技术挑战，保障业务持续高质量、高效率、且安全地为用户服务；同时还能为不同业务场景提供全面的技术解决方案，优化各项产品指标及用户体验。
在这里， 有大牛带队与大家一同不断探索前沿， 突破想象空间。 在这里，你的每一行代码都将服务亿万用户。在这里，团队专业且纯粹，合作氛围平等且轻松。目前在北京，上海，杭州、广州、深圳分别开放多个岗位机会。
- 1、我们是TikTok隐私创新实验室，招聘AI Agent安全研究员，希望开展智能体系统前沿安全问题的研究与实践；
- 2、基于真实Agent架构和应用场景，识别具有学术价值和实际影响的安全问题；
- 3、建立Agent安全威胁模型，提出新的攻击方法、防御机制或分析框架；
- 4、设计并实现Agent系统、攻击环境、数据集和安全评测Benchmark；对不同模型、Agent Framework、工具协议、记忆机制和多Agent架构开展系统性实证研究；
- 5、在浏览器Agent、代码Agent、企业Agent、研究Agent或多Agent系统中验证研究方法；分析安全性、任务完成率、泛化能力、误报率、延迟和资源成本之间的权衡；
- 6、将研究成果产出为高水平论文、技术报告、开源项目、Benchmark、数据集或研究原型；推动优秀研究成果应用于真实Agent产品和安全基础设施。
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。