字节跳动
实习Agent研发（可靠性方向）实习生 - 小荷健康
北京 · 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、软件工程、人工智能或相关专业背景
- 在以下任一方向有可证明的项目、研究或工程产出：LLM应用与Agent工程，包括生产级LLM系统、Agent Workflow、RAG Pipeline、Tool Use或Memory机制；平台与基础设施，包括工作流引擎、状态管理、可观测性、服务治理或内部平台；数据与检索系统，包括大规模数据Pipeline、检索系统、日志分析、反馈回流或评测基础设施
- 理解LLM与Agent的工程化挑战，能够将复杂业务流程抽象为可执行、可监控、可维护的Agent Workflow或系统链路
- 熟悉至少一种主流后端语言，有扎实的工程实践能力，能够快速上手团队技术栈，独立推进从问题定义、系统设计、实现到调试优化的完整流程
- 具备良好的系统意识和主人翁精神，能够在跨职能团队中从研发视角推动复杂问题落地。
- 加分项
- 在医疗、风控、内容安全等对准确率与安全性要求高的垂域有落地经验
- 有从0到1搭建内部平台或工具链的经验
- 有Agent工程化的实战经验（自研框架或主流框架皆可）
- 有合规、审计、风控类系统开发经验
- 有高并发、大数据量系统的架构经验
- 在LLM应用、Agent工程、RAG系统等方向有公开工作或开源贡献。
岗位描述
团队介绍：小荷健康是字节跳动旗下的医疗健康品牌，我们致力于利用大模型技术，探索医疗健康服务的新范式，孵化了“小荷AI医生”app，为用户提供专业的健康咨询服务。小荷健康拥有专业的医学和互联网产研团队，认真探索AI医疗。
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。
- 1、建设医疗AI的生产系统底座，包括但不限于模型调用、工具调用、记忆管理、知识体系、反馈链路、工作流引擎和状态流转，支撑多模态、多轮交互和连续健康管理等复杂任务的稳定运行；
- 2、构建面向医疗任务的Agent与LLM Harness，将任务编排、工具调用、证据组织、状态管理、路由策略与人机协作边界落地为可运行的系统框架，对端到端链路的效率、稳定性和质量负责；
- 3、建设知识与证据体系的生产实现，包括但不限于医学知识更新、RAG、claim verification、evidence retrieval、来源追踪和结果审计，使医学依据能够被模型调用、被系统记录、被产品链路使用；
- 4、建设真实世界反馈与数据链路，面向用户交互、医学审核、运营反馈和模型输出，构建数据采集、清洗、归因、回流和监控能力，将生产系统中的发现反哺给算法、数据和产品迭代，同时建设并维护满足严格隐私、安全、合规要求的数据Pipeline与服务，持续调试、优化、加固系统，支撑高可用、高性能与规模化运行；
- 5、在由算法、研发、产品、运营和医学等角色组成的跨职能团队中协作，把算法能力、知识体系和LLM Harness转化为稳定的生产系统，支持模型迭代和产品演进。
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。