字节跳动
校招Agent后端开发工程师 - Aime
北京/上海/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、软件工程、人工智能等相关专业
- 具备扎实的计算机基础和编程能力，熟悉至少一门主流后端开发语言；具备良好的编码习惯、工程意识和问题定位能力，能在快速变化的业务与技术环境中主动学习、持续迭代
- 对AI Agent、大模型应用工程化或后端基础设施方向有浓厚兴趣，有后端服务、AI Agent、RAG、Tool Calling等相关项目或实践经验者优先
- 有异步任务、调度系统、消息队列、工作流引擎等复杂后端系统经验，或深度使用过AI编程助手/Agent工具并有自己理解与思考者加分。
岗位描述
团队介绍：Aime 是字节跳动打造的企业级 AI Agent 平台，面向研发、产品、运营等多类岗位，提供基于大模型的智能服务。平台集成代码仓库、文档、知识库、飞书、Browser Use、MCP、研发工具链等企业能力，支持调研、Coding、数据分析、文档生成、Browser Automation 等复杂任务，通过自研 Agent 架构完成端到端日常工作提效。
- 1、参与企业级AI Agent平台Aime核心后端研发，负责Agent会话管理、任务执行、运行时编排、工具调用和消息流转等关键链路的设计与实现；
- 2、参与高可用、高并发后端服务设计，保障Agent在复杂多轮交互、多工具调用场景下的稳定运行，持续提升系统可观测性与线上稳定性；
- 3、参与大模型应用工程化能力建设，涵盖多模型接入、上下文管理、流式响应、函数调用等方向；
- 4、对接飞书IM、文档等企业协作生态，与产品、算法、平台团队协作，推动AI Agent在真实办公与研发场景中规模化落地。
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。