字节跳动
实习云搜索AI研究实习生-算力与AI基础设施
深圳 · 实习 · 硕士
长期有效
任职要求
- 硕士及以上学位在读，计算机、通信等相关专业
- 了解常用量化压缩算法（PQ、SQ、RaBitQ等）、向量索引（IVF、HNSW、NSG、DiskANN、LSH等）与向量数据库（Milvus/Chroma/PGVector等）的基本原理
- 在CCF-A（或同等级别）会议/期刊发表过至少1篇论文，具备推进研究问题、设计实验、写作投稿的能力
- 热爱编程，有较强的学习能力，有强烈的求知欲、好奇心和进取心，能及时关注和学习业界最新技术。
- 加分项：
- 以第一作者或除导师外第一作者身份在SIGMOD/VLDB/OSDI/SOSP/ICML/ACL/ICLR等（或同等级别DB/系统/AI顶会）发表过论文
- 在ACM-ICPC、NOI等信息学竞赛中获得区域金牌及以上奖项
- 数学能力特别突出或有相关理论工作经验者
- 有经典数据库内核/优化器/执行引擎经验（PostgreSQL/SparkSQL/Neo4j等），或在索引设计、存储格式、事务/并发、Compaction等方面有实战经验
- 在Agentic RAG、LLM Finetune（SFT/LoRA/RLHF等）、检索增强评测、对齐与可靠性等有实战经验
- 熟悉PyTorch等框架，能完成训练/推理/评测管线搭建；熟悉GPU架构与CUDA C++，或有向量计算/检索算子GPU化经验；熟悉分布式系统基本原理（共识、复制、调度、资源隔离、可观测性等）及相关工程框架。
岗位描述
日常实习：面向全体在校生，为符合岗位要求的同学提供为期3个月及以上的项目实践机会。
团队介绍：字节跳动云基础设施部门，通过云技术管理着百万量级的服务器构成的超大数据中心。我们通过深度优化千万级容器实例与算力优化，搭建EB级数据存储治理体系，探索新一代搜索型数据库与大规模AI集群下的高速网络通信，我们积极拥抱开源和创新的软硬件架构，致力于构建业界领先、稳定、高可用的面向LLM的AI云原生的基础设施架构与产品矩阵，为整个公司的业务和客户发展保驾护航。
- 1、在导师指导下，围绕大规模向量检索场景开展研究与验证，设计并实现具备大容量、高吞吐、低延迟、高召回、高精度、可扩展等特性的向量检索方案；工作内容包括但不限于：索引与检索、压缩与量化、复杂场景查询、软硬件协同优化、分布式系统；
- 2、在导师指导下探索LLM与检索结合的系统化方案，围绕Multi-Agent/Agentic RAG/DeepResearch等范式研究可复现的有效路径，提升复杂多跳任务下的可靠性与可控性，工作内容包括但是不限于：RAG、Agent、评测与对齐；
- 3、持续跟踪学术界与工业界在向量数据库/向量索引/Agentic RAG方向的最新进展，输出技术解读与复现实验；对标主流系统（Milvus/PGVector/Chroma/Weaviate/Faiss/ScaNN/DiskANN等），推动内部路线选择与产品市场力构建；
- 4、协助团队在SIGMOD/VLDB/OSDI/SOSP/ICML/ACL/ICLR等高水平会议发表论文，并申请相关专利（算法、系统架构、量化压缩、评测体系、Agentic RAG等）。
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。