字节跳动
校招Agent大模型算法工程师 - 中国交易与广告
北京/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，计算机相关专业优先
- 具备扎实的机器学习、自然语言处理、系统设计和工程实现基础；熟悉LLM、Agent、RAG、工具调用、Function Calling、工作流编排、多轮对话、复杂任务规划或模型评测中的一个或多个方向，有完整项目落地经验
- 有保险、金融、医疗等垂直领域基座大模型后训练经验者优先，熟悉SFT、RL、偏好对齐、数据构造、Reward Model、领域评测集建设或模型安全对齐等方向，能够围绕专业场景持续提升模型的事实准确性、任务完成率和可靠性
- 具备良好的工程与架构能力，能够设计高可用、可扩展、可观测、可评测的智能体系统
- 理解Agent在真实业务场景中的稳定性、成本、延迟、权限、安全和可控性问题，能够在复杂业务约束下推动方案落地
- 有保险顾问、智能客服、知识问答、经营助手、数据分析Agent、研发助手或生产级智能体平台经验者优先。
岗位描述
团队介绍：中国交易与广告，基于个性化推荐、深度学习和大模型技术，依托抖音、今日头条、红果短剧、西瓜视频、番茄小说等多元产品，构建抖音电商、生活服务、广告营销等核心营收业务的算法策略和工程架构。部门运用领先的算法能力，精准连接海量用户与商家，通过推荐、广告和搜索算法精准匹配需求并促进交易达成，保障用户体验与商家权益，实现营收业务可持续增长；基于深厚的技术积累，构建高效、智能、可靠的交易与广告产品，全面提升多行业收入变现与市场占有。在这里，你将直面超大规模流量与复杂业务场景的技术挑战，深度应用业界领先的商业模型与算法技术，投身面向未来的数字营销能力建设，持续探索前沿技术。
- 1、负责保险行业Agent与大模型能力建设，围绕用户选险、投保咨询、保障规划、理赔协助、续保经营和B端经营助手等场景打造智能体系统；
- 2、结合保险行业复杂流程和专业知识，设计任务规划、工具调用、知识检索、记忆管理、多轮对话、执行反馈和多Agent协作等核心能力；
- 3、构建面向保险场景的基座大模型训练体系，围绕保险知识、条款理解、需求分析、风险识别和服务决策等任务，开展SFT、RL、偏好对齐、数据合成与领域Benchmark建设，持续提升模型在保险专业场景中的准确性、可靠性和可评测性；
- 4、建设保险行业知识体系和Agent评测体系，覆盖事实准确性、规划质量、工具调用正确率、对话体验、任务完成率、安全合规和可解释性；
- 5、推动Agent与推荐分发、AIGC内容生产、线索经营、商家经营和业务系统工具融合，形成从用户需求理解到服务执行的业务闭环；
- 6、关注前沿Agent框架、Agentic Workflow、Agentic RL、复杂任务规划和生产级智能体架构，探索下一代保险智能服务形态。
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。