字节跳动
开发者关系运营专家-AI数据与安全
开发者关系运营专家-AI数据与安全
发布于 大约 9 小时前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
本科
自动化
GO
LLM
CI/CD
容器化
SFT
数据标注
GitHub
RLHF
Rlvr
AI 估算 · 20k–35k
AI数据方向需求旺盛，字节跳动薪资有竞争力，1-3年经验在北京，月薪预估20k-35k。
职位详情
关于这个职位
这是一个AI数据与安全团队的岗位，主要负责为Seed基座模型及AI原生应用提供代码数据生产服务
你将深度参与Coding Agent训练数据的标注策略设计、数据质量把控与自动化工具开发，利用编程能力提升数据生产效率
适合有一定软件开发经验并对LLM和AI数据流程感兴趣的求职者
最低要求
计算机相关专业本科及以上学历，1-3年软件研发或数据交付经验
熟练掌握至少一门主流编程语言(Python/Go/Java/TypeScript等)，具备完整项目交付经验
熟悉Git/GitHub工作流、CI/CD、容器化与沙箱执行环境
工作职责
深度参与Coding Agent训练所需代码、工程数据的生产及标注全流程，基于模型能力边界与训练目标，输出代码数据标注策略及标准(包括代码补全、代码生成、Bug修复、代码评审、Agentic任务轨迹等场景)，支撑代码与工程数据资产的规模化交付
对接数据标注团队(含资深开发者、算法工程师标注员)，明确任务需求，把控任务交付进度及质量，独立完成项目交付
设计并优化高质量多场景(自然语言、代码、命令行轨迹、工具调用、Repo级上下文)数据集的构建流程，主导清洗、标注、SFT及RLHF/RLVR的数据策略设计
基于实际研发、架构设计、代码评审、DevOps或开源项目贡献等实操经验，完成代码片段、Issue/PR、执行轨迹、错误日志的标准化处理及标注，搭建自动化数据处理链路(含静态分析、单测执行、沙箱评测)，探索合成数据(Self-Instruct、Execution-Feedback、Repo-Level Synthesis)的生成策略
具备扎实的代码能力，能够利用Python或其他编程语言实现标注辅助工具(如AST解析、代码差异提取、可执行性校验、数据质检、格式归一化、轨迹回放等)，提升人工标注效率与一致性，推动标注流程工程化
结合Coding Agent场景，参与Prompt与任务模板设计、Tool-Use行为规范制定与效果验证，提升模型在多轮代码任务、长上下文工程项目、Agentic工作流中的可控性、可执行性与意图对齐度
优先资格
了解LLM、Coding Agent、SFT/RLHF/RLVR基本原理者优先
有大模型数据标注、评测集构建、开源社区贡献或Agent框架(如SWE-Agent、OpenHands、Cursor、Claude Code等)使用经验者优先
具备良好的项目管理能力、跨团队沟通能力与质量意识
AI 洞察
优缺点分析
优点
- 深度参与前沿AI模型数据生产，技术栈新，学习曲线陡峭
- 字节跳动平台资源丰富，与顶尖研究员、标注团队合作，成长快速
- 工作内容兼具技术与运营，锻炼综合能力
- AI数据领域人才稀缺，职业前景广阔
- 数据标注工作繁琐，需高度细心与耐心，质量要求严格
- 需要与多种角色（研究员、标注员、供应商）协调，沟通成本高
- 技术迭代快，需持续学习新工具和框架
- 适合技术背景扎实、对AI数据流程感兴趣、注重细节且具备项目管理能力的开发者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI数据专家或机器学习工程师方向发展，深入模型训练数据全流程
- 有机会参与前沿Coding Agent研究，转向模型训练或Agent开发岗位
- 在字节跳动体系内积累AI领域经验，未来可向技术管理或高级数据科学家发展
- 设计并优化代码数据标注策略，确保训练数据质量与一致性
- 对接标注团队，把控任务进度与质量，独立完成项目交付
- 开发自动化数据处理工具，提升标注效率与标准化水平
- 参与Coding Agent场景的Prompt与任务模板设计，提升模型可控性
- 扎实的编程能力，熟练掌握Python/Go/Java/TypeScript之一
- 熟悉Git、CI/CD、容器化等开发工具链
- 了解LLM、Coding Agent、SFT/RLHF等基本原理
- 良好的项目管理与跨团队沟通能力
申请策略
- 在简历和面试中展现对数据质量控制的思考，以及跨团队协作案例
- 提前了解字节跳动AI数据与安全团队的业务方向，展示对应热情
- 突出参与的软件研发项目，尤其是数据相关或自动化工具开发经历
- 强调对LLM、Coding Agent的理解，如使用过相关框架或参与过数据标注
- 展示GitHub/开源贡献，或CI/CD、容器化实践经验
- 量化项目成果，如提升数据生产效率或质量的具体数据
- 学习RLHF/RLVR、合成数据生成等AI数据前沿技术
- 熟悉Agent框架如SWE-Agent、OpenHands等，动手实验
面试指南
- 使用STAR法则：描述情境、任务、行动和结果，结合具体数据或项目
- 突出数据驱动思维：明确问题、提出假设、设计实验、迭代优化
- 展现技术深度：涉及具体工具（如AST、沙箱）和方法（如Self-Instruct）
- 如何设计一个高效的代码数据标注标准？举例说明
- 面对低质量或不一致的数据标注，你如何改进流程？
- 解释LLM中的RLHF原理，以及你在数据层面的理解
- 描述一个你使用Python开发自动化工具提升效率的项目
- 如果让你为一个Coding Agent设计训练数据，你会考虑哪些因素？
匹配度报告
68
综合匹配度
前沿AI数据岗，技术成长快，薪资有竞争力，但工作强度大、WLB一般。
适合人群
适合追求技术前沿和快速成长的求职者，能接受较高工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活40
使命价值70
薪资福利匹配
70中等
字节跳动提供有竞争力的薪酬和福利，但JD未明确薪资和福利细节，补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：20K-35K/月）
成长发展匹配
90较高
该岗位涉及前沿AI技术（LLM、Coding Agent、RLHF），有大量学习和成长机会，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、LLM、RLHF、Coding Agent、SFT
业务类型ambiguous
工作生活匹配
40较低
工作地点在北京，未提及远程或弹性办公，字节跳动工作强度较大，生活化动机满足度较低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
AI数据行业高速增长，岗位对推动模型性能有直接贡献，但社会影响力中性，意义感满足度中等。
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