字节跳动
实习推荐系统AI Agent开发实习生-TikTok短视频
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 2027届本科及以上学历在读，计算机、软件工程、人工智能、数据科学等相关专业优先
- 具备优秀的编码能力和扎实的工程基础，熟悉数据结构、算法、操作系统、分布式系统、数据库等基础知识中的一项或多项
- 具备较强的系统设计和工程架构能力，能够设计可扩展、可维护、稳定可靠的工程系统，有平台型系统或复杂项目开发经验者优先
- 熟悉或对AI Agent、LLM应用开发、Agent Harness、工具调用、工作流编排、RAG、代码生成、自动化评测等方向有实践经验或浓厚兴趣
- 对推荐系统、机器学习和数据驱动的产品优化有兴趣，不要求已有推荐算法经验；有推荐系统、搜索广告、机器学习平台、数据平台、DevOps工具或开源项目经验者优先。
岗位描述
ByteIntern：面向2027届毕业生（2026年9月-2027年8月期间毕业），为符合岗位要求的同学提供转正机会。
团队介绍：国际化短视频machine learning团队，负责国际化短视频的基础推荐算法，直接为国际化短视频的核心用户体验负责。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、CV/NLP等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作,感受不同文化的碰撞,激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。
- 1、负责面向推荐算法研发流程的Agent系统建设，覆盖代码生成、实验配置、数据分析、效果诊断、策略迭代辅助、自动化评测等场景；
- 2、设计和实现Agent Harness、工具调用框架、任务编排、上下文管理、自动评测等核心能力，使Agent能够稳定完成真实研发任务；
- 3、深入理解推荐算法工程师的日常工作流，抽象高频研发场景，构建可复用、可扩展的自动化解决方案；
- 4、结合大语言模型、代码智能体、RAG、数据分析、工作流编排等技术，探索Agent在复杂推荐系统中的落地方式；
- 5、与推荐算法、工程架构、数据平台、实验平台等团队合作，推动算法研发流程标准化、智能化，提升团队整体研发效率和算法迭代质量。
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。