字节跳动
校招Agent Infra研发工程师 - Commercial AI
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，计算机等相关专业优先
- 计算机基础知识扎实，熟悉常见的服务端技术组件，有良好的系统设计能力
- 编码能力优秀，对代码质量与代码风格有高标准要求，对所熟悉的编程语言有一定的深入了解
- 了解LLM/Agent相关技术，擅长使用大模型能力辅助解决问题，有LLM/Agent项目与实习经验优先
- 主动性与自驱力强，对新事物的学习与探索能力强，具备出色的问题分析与解决能力。
岗位描述
团队介绍：Commercial AI 负责中国交易与广告的to B应用统一模型建设，包含基础模型能力、AI Infra、统一商业数据、评测等方向。
- 1、探索和构建高效的商业化Agent Infrastructure，优化包括抖音电商、生活服务、广告营销等Agent算法策略和工程架构解决方案，持续探索前沿技术，支撑字节跳动商业化收入增长；
- 2、设计实现Agent基础架构与相关工具链，包括但不限于Harness Engineering、Agent框架、沙箱与模拟环境、个性化记忆、工具、Skills、自动评估体系等；
- 3、设计实现商业化内部GPU算力资源管理与调度体系，根据训练、推理、评测等多场景的任务特点，通过优化调度策略与运营机制，持续提升资源的弹性能力和有效利用率；
- 4、与算法、应用、平台等团队紧密配合，优化Agent研发平台的能力与用户体验，提高研发效率与稳定性；
- 5、关注AI Agent生态技术发展，持续探索并引入先进的Agent应用技术方案，推动在业务场景中落地。
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。