字节跳动
校招AI Agent后端研发工程师 - Data AML
北京/杭州 · 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、人工智能等相关专业优先
- 掌握扎实的计算机基础知识，深入理解数据结构、算法和操作系统知识；熟悉大语言模型相关技术：Prompt Engineering、RAG（检索增强生成）、Function Calling、Fine-Tuning数据工程、长文本处理等
- 了解大语言模型相关技术，有Agent开发、Agent框架、Agent Skills等相关经验者优先；有LLM应用开发经验，熟悉LangChain/LlamaIndex/AutoGen/CrewAI等Agent框架，或有自主设计Agent架构的经验
- 有优秀的逻辑分析能力，能够对业务逻辑进行合理的抽象和拆分
- 有强烈的求知欲，优秀的学习和沟通能力。
岗位描述
团队介绍：Data AML是字节跳动的机器学习中台，为抖音/今日头条/西瓜视频等业务提供推荐/广告/CV/语音/NLP的训练和推理系统。为公司内业务部门提供强大的机器学习算力，并在这些业务的问题上研究一些具有通用性和创新性的算法。同时，也通过火山引擎将一些机器学习/推荐系统的核心能力提供给外部企业客户。
- 1、企业级Agent架构与研发：参与企业级复杂AI Agent的后端服务设计与开发；构建高可用、高扩展的微服务体系，支撑大规模Agent应用、复杂自动化工作流及数据产品的稳定运行；参与推荐系统、AIGC应用的技术方案设计、工程实现及性能优化；
- 2、多Agent协作框架：设计多Agent编排与调度系统，支持复杂任务分解、角色分工、消息通信与协同工作流；
- 3、可观测性与质量保障：持续监控与优化Agent的回答质量、成功率与响应时延；
- 4、实时数据流处理：负责内容数据实时接入、清洗去重、语言识别、结构化解析（正文/作者/时间/互动量/链接）、跨平台去重与归并；基于流式计算实现实时NLP分析、Embedding向量化、话题增量聚类，支撑秒级到分钟级的热点发现、风险预警与业务洞察；运用AI技术建设内容理解、内容生成与安全合规等内容生态通用能力；
- 5、高并发系统设计：支撑大规模用户访问，进行性能调优、容量规划与故障排查，保障系统在高并发场景下的稳定性；探索AI原生场景下的软件工程实践与技术范式。
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。