字节跳动
AI搜索资深研发工程师/架构师-基础设施
AI搜索资深研发工程师/架构师-基础设施
发布于 大约 16 小时前普通员工/个人贡献者
北京市
专家级经验
全职员工
仅现场办公
学历未注明
深度学习
NLP
RAG
搜索引擎
LLM
多模态
向量召回
语义检索
AI 估算 · 45k–85k
北京大厂资深架构岗，AI搜索前沿方向，技术难度高，薪资竞争力强，月薪在45k-85k之间，年终奖丰厚。
职位详情
关于这个职位
加入字节跳动，负责构建下一代智能搜索引擎核心系统
你将应用大语言模型、RAG、多模态技术，从零到一打造Agentic Search产品，覆盖游戏、电商等多个行业
工作内容涉及搜索全栈（Query分析、召回、排序）及AI检索能力创新，适合对搜索技术和前沿AI有热情、追求技术极致的资深工程师
最低要求
具备扎实的代码能力、数据结构和基础算法功底，熟练Java或Python，ACM/ICPC、NOI/IOI、Top Coder、Kaggle等比赛获奖者优先
出色的分析问题、解决问题能力，追求优雅的架构设计和代码能力，对挑战技术难题充满激情
熟悉信息检索基础理论，有推荐/搜索引擎架构研发经验者优先
熟悉机器学习模型在搜索链路上的应用和优化，有智能搜索架构研发经验者优先
良好的沟通协作能力，能和团队一起探索新技术，推进技术进步
工作职责
负责Agentic Search产品构建，基于Agent技术栈实现规划、执行、多源融合搜索、Skills/Tools扩展搜索能力，实现智能、精确、高效的对话式搜索体验
从千~万亿不同规模的搜索场景，应用LLM技术以及其他NLP和多模态机器学习技术，构建AI检索产品，包括但不限于RAG、语义检索、图搜、音视频搜索等，涵盖游戏、电商、商业咨询、法律等多种行业，为用户提供智能、准确、丰富的搜索体验
搜索全栈（Query分析、相关性、召回、粗排、精排、混排）建设，包括相关性计算、CTR预估、CVR预估、向量召回、价值混排等
AI检索能力构建，探索最前沿的NLP技术和多模态技术，从基础的分词、NER、OCR到应用上的Query分析、基础相关性等，全链路应用深度学习模型
与团队成员紧密合作，将研究成果转化为实际应用，推动产品的创新和升级
AI 洞察
优缺点分析
- 前沿技术栈：聚焦大语言模型、RAG等热门方向，有大量实践机会，技术积累价值高
- 大厂平台：字节跳动提供海量数据、丰富场景和强悍基础设施，能快速提升技术视野
- 高薪回报：资深架构岗薪资优厚，加上字节跳动期权，长期收益可观
- 工作强度大：互联网大厂研发节奏快，涉及搜索全栈优化，可能面临较长工时
- 技术挑战高：需要同时掌握传统搜索和AI前沿技术，学习曲线陡峭
- 竞争激烈：顶尖人才集聚，内部晋升需持续产出亮点成果
- 适合技术功底扎实、对AI搜索有强烈兴趣、追求技术极致并愿意在高强度环境中快速成长的资深工程师
角色解读
- 技术深耕：成为AI搜索领域专家，主导核心算法与架构演进，晋升为技术总监或首席架构师
- 横向拓展：向AI产品、技术管理方向发展，结合业务需求推动产品创新
- 行业影响力：通过在字节跳动的实践积累，成为行业AI搜索技术布道者或创业
- 设计和开发基于大语言模型的Agentic Search产品，实现对话式搜索体验，涉及Agent规划、多源融合搜索等
- 构建AI检索产品，包括RAG、语义检索、图搜、音视频搜索等，覆盖游戏、电商等多个行业
- 优化搜索全栈，从Query分析、相关性计算到召回、排序，全链路应用深度学习模型提升搜索效果
- 精通Java或Python，具备扎实的算法和数据结构基础，有ACM/ICPC等竞赛获奖优先
- 深入理解信息检索理论，有推荐或搜索引擎架构研发经验，熟悉机器学习模型在搜索中的应用
- 熟悉LLM、RAG、NLP和多模态技术，能够将前沿研究成果转化为工程实践
申请策略
- 了解字节跳动的搜索业务（如抖音搜索、综合搜索），面试中结合业务场景展示你的方案
- 准备一道系统设计题，如设计一个基于LLM的搜索系统，从Query理解到结果呈现
- 突出搜索或推荐系统的架构设计、优化经验，用具体指标（如延迟、召回率）量化成果
- 强调大语言模型、RAG相关的项目经验，说明你在Agent或AI检索中的具体贡献
- 展示算法竞赛成绩或顶会论文，体现学术能力和问题解决能力
- 深入复习信息检索基础（如倒排索引、BM25、向量检索），掌握主流搜索框架（如Elasticsearch）
- 动手实现一个小型RAG系统，熟悉LangChain等工具，并思考如何优化多源搜索
面试指南
- 按照用户需求→系统组件（索引、模型、策略）→数据流→关键瓶颈→解决方案的结构阐述
- 结合具体项目，先讲背景和目标，再讲技术选型和实现细节，最后展示效果数据和反思
- 请设计一个基于LLM的对话式搜索引擎，涉及Agent如何规划和多工具调用
- 介绍你在搜索召回和排序中应用深度学习的经验，如何优化模型效果？
- 如何处理万亿级规模的搜索索引，保证低延迟和高可用？
- RAG中如何解决文档分块、相关性排序和生成质量的问题？
- 如何评估一个AI搜索系统的整体效果？有哪些核心指标？
- 复习搜索引擎核心原理和深度学习排序模型（如DSSM、BERT），并手推关键公式
匹配度报告
72
综合匹配度
前沿AI搜索架构岗，技术成长极佳，薪资优厚，但工作强度大，WLB一般。
适合人群
最适合追求技术成长和前沿探索的求职者，愿意牺牲部分生活平衡换取职业快速发展。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展95
工作生活40
使命价值80
薪资福利匹配
75中等
字节跳动为上市巨头，薪资在行业中处于领先位置，但JD未透露具体数字，福利信息未提及，整体补偿性中上。
薪资信号未披露 (45K-85K/月)
成长发展匹配
95较高
职位涉及最前沿的LLM、Agent、RAG等技术，明确鼓励探索前沿，成长空间极大，属于技术型选手的理想发展平台。
技术前沿前沿/新兴技术
技术栈LLM、RAG、语义检索、多模态、深度学习、NLP、Agent
业务类型profit_center
工作生活匹配
40较低
仅现场办公，未提及弹性或远程，大厂通常工作强度较高，生活平衡一般。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
80较高
AI搜索属于高速增长赛道，创新性强，对社会信息获取效率有积极意义，但JD未直接提及社会价值使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs