字节跳动
大语言模型AI搜索Agent算法工程师-Seed
大语言模型AI搜索Agent算法工程师-Seed
发布于 大约 17 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
硕士
PyTorch
HPC
RAG
TensorFlow
LLM
搜索算法
RLHF
DPO
Reasoning
AI 估算 · 35k–60k
头部互联网大厂，算法专家级别，LLM方向技术稀缺，北京市场薪资高，竞争力强。
职位详情
关于这个职位
该职位属于字节跳动Seed团队，专注于大语言模型在搜索场景中的推理与深度研究，研发AI搜索总结Agent
你将探索LLM Reasoning、RAG、指令微调等前沿技术，优化复杂查询的Deep Research模式，打造高效智能的搜索产品
适合对LLM和搜索技术有深入理解，渴望在顶级平台推动AI创新的算法专家
最低要求
硕士研究生及以上学历，计算机科学、人工智能、自然语言处理等相关领域
精通PyTorch/TensorFlow等框架，具备大规模语言模型（如GPT、LLaMA等）训练与优化经验
熟悉检索增强生成（RAG）、Agent架构、搜索算法（如倒排索引、语义检索）等技术或熟悉Prompt Engineering、微调对齐技术，对搜索场景的Query理解与结果生成有深入理解
具备高性能计算（HPC）经验，熟悉分布式训练、模型压缩与推理加速技术
工作职责
深入探索LLM在搜索场景中的推理能力与深度研究（Deep Research）模式，优化信息整合与总结效果，打造高效、精准的智能搜索产品，推动AI技术在实际应用中的突破
AI搜索总结Agent研发：
）设计并实现基于LLM的搜索总结Agent，提升搜索结果的理解、推理与结构化总结能力
）探索LLM Reasoning技术（如思维链、多步推理），优化复杂查询的Deep Research模式，实现长文本理解与跨文档信息融合
）构建端到端系统，涵盖意图识别、知识检索、结果生成与偏好对齐，提升用户体验
模型优化及应用：
）通过指令微调（Instruction Tuning）、偏好对齐（RLHF/DPO）等技术优化模型在搜索场景的适应性
）探索多模态信息（文本、代码、结构化数据）融合的搜索与生成技术
）研究未来生活中的创新应用场景（如个性化知识助手、自动化研究工具），探索技术边界
优先资格
加分项：在ACL/EMNLP/NeurIPS等顶会发表LLM或搜索相关论文
有开源项目（如LangChain、AutoGPT）贡献或独立AI Agent开发经验
熟悉多模态模型（如GPT-4V）或强化学习（RL）者优先
AI 洞察
优缺点分析
- 顶尖平台：字节跳动为头部互联网公司，技术资源丰富，AI搜索业务处于高速增长期
- 前沿技术栈：聚焦LLM、Agent、Reasoning等最热门方向，技能积累价值极高
- 影响力大：智能搜索产品用户基数庞大，技术成果可快速落地并产生实际影响
- 薪酬竞争力：大厂算法专家级薪资优厚，且字节跳动期权有吸引力
- 高强度工作：互联网大厂节奏快，项目周期紧，可能需要应对加班和高期望
- 技术难度高：LLM推理、Agent等方向处于探索期，需持续学习并解决未知问题
- 竞争激烈：顶尖人才汇聚，需持续证明自身能力以保持优势
- 适合对LLM和搜索技术有深厚功底、渴望在顶级平台用前沿技术解决实际问题的算法专家，能接受高强度并追求技术突破
角色解读
- 可向AI搜索技术专家或LLM算法方向领军人发展，深耕智能搜索与Agent领域
- 字节跳动内部技术氛围浓厚，有机会参与前沿研究并推动产品落地，晋升通道明确
- 未来可扩展至多模态、知识图谱、自动化研究工具等新兴方向，成为AI领域的稀缺人才
- 研发基于LLM的AI搜索总结Agent，提升搜索结果的理解、推理与结构化总结能力
- 探索LLM Reasoning技术（如思维链、多步推理），优化复杂查询的Deep Research模式，实现跨文档信息融合
- 构建端到端系统，涵盖意图识别、知识检索、结果生成与偏好对齐
- 通过指令微调、偏好对齐（RLHF/DPO）等技术优化模型在搜索场景的适应性，探索多模态融合
- 精通PyTorch/TensorFlow，具备大规模语言模型训练与优化经验，熟悉GPT、LLaMA等架构
- 深入理解RAG、Agent架构、搜索算法（倒排索引、语义检索）或Prompt Engineering、微调对齐技术
- 掌握高性能计算，熟悉分布式训练、模型压缩与推理加速
- 熟悉LLM Reasoning、思维链等技术，有顶会论文或开源项目经验者优先
申请策略
- 提前了解字节跳动在AI搜索方向的产品（如豆包、今日头条搜索），在面试中展示对业务的理解
- 准备一个完整的Agent项目案例，从问题定义到解决方案的推理过程，突出工程和算法结合能力
- 突出大规模语言模型训练与优化经验，列出具体项目成果（如提升的指标）
- 强调RAG、Agent或搜索算法相关经历，包括系统设计与性能优化
- 展示顶会论文、开源贡献或独立Agent开发项目，证明技术深度
- 提及RLHF/DPO、指令微调等对齐技术经验，体现对搜索场景的理解
- 补充LLM Reasoning知识，如思维链、多步推理，并动手实现简单Agent
- 熟悉主流Agent框架如LangChain、AutoGPT，提升工程能力
面试指南
- 对于项目类问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出技术难点和你的贡献
- 对于架构设计类问题，先明确需求约束，然后自顶向下分解模块（意图识别、检索、生成、对齐），详细说明每个模块的技术选型和理由
- 请详细描述你参与过的一个LLM训练或微调项目，遇到了哪些技术挑战？
- 如何设计一个基于RAG的搜索总结Agent？请画出架构图并解释关键模块
- 解释LLM Reasoning中的思维链技术，并说明如何应用于复杂查询的Deep Research？
- 你有使用RLHF或DPO的经验吗？请说明原理及在搜索场景中的应用
- 如何在保证效果的同时降低LLM推理延迟？请结合分布式训练或模型压缩技术
- 复习LLM基础（Transformer、预训练、微调）、RAG原理、Agent框架（ReAct、Plan-and-Solve）
匹配度报告
72
综合匹配度
大厂核心算法岗，前沿LLM+Agent技术栈，薪资高，但工作强度和压力较大。
适合人群
最适合高度追求技术成长和薪酬回报，对WLB要求不高，能适应高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活40
使命价值75
薪资福利匹配
85较高
大厂算法专家级别，市场薪资偏高，福利完善（但JD未明确列出），有期权机会，补偿性满足较好。
薪资信号偏高 (35K-60K/月)
成长发展匹配
90较高
职位聚焦LLM、Agent等最前沿技术，技能成长空间极大；字节跳动内部技术氛围浓厚，有技术晋升路径（但JD未明确提及晋升），发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈LLM、PyTorch、TensorFlow、RAG、Agent、Reasoning、RLHF、DPO、HPC
业务类型profit_center
工作生活匹配
40较低
大厂算法岗通常需要现场办公，北京工作通勤较长，互联网公司加班文化普遍，JD未提及WLB措施，生活化动机满足有限。
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
75中等
AI搜索产品直接影响用户获取信息的方式，具有较高社会价值；行业处于高速增长期，技术驱动创新，意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs