字节跳动
校招安全研发工程师（AI安全方向） - 安全与风控
北京 · 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，计算机相关专业优先
- 具备扎实的计算机基础（数据结构、操作系统、计算机网络、数据库等）；掌握Golang或Python其中至少一门语言，有较好的代码规范和编程习惯；对高性能并发编程有浓厚兴趣
- 对LLM技术特性有深入了解，有相关课程项目、竞赛经历或个人开源作品者优先
- 对微服务、分布式系统有基础概念，具备较强的逻辑分析能力，能够主动分析并解决技术痛点
- 具备技术好奇心和学习能力，对资产扫描、模型安全等领域有热情，追求工程细节与代码质量。
岗位描述
团队介绍：安全工程团队负责设计、搭建并维护字节跳动的全球安全基础设施、平台及服务。我们的核心职责是研发具备可扩展性的系统与工具，为公司全域产品的安全运营提供支撑。通过交付可靠、高性能的安全解决方案，保障字节跳动全球平台的安全，并提升业务韧性。
- 1、参与ByteSec、RedCheck等安全产品的架构设计与后端开发，学习并保障系统在复杂网络环境下的高性能运行；
- 2、在资深工程师指导下，参与面向安全场景的AI Agent设计与开发，探索AI在安全领域的落地应用；
- 3、探索解决大模型（LLM）幻觉及不确定性的前沿方案，参与构建稳定、可靠的AI驱动安全工作流；
- 4、参与分布式安全系统的部署、调优与运维，了解大规模流量下的性能优化与系统瓶颈处理。
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。