Code大模型工程师（数据方向）-搜索

优缺点分析

角色解读

• 可向资深Code大模型数据专家发展，成为数据Pipeline架构师
• 也可转向大模型训练、推理优化等方向，拓宽技术广度
• 在字节跳动搜索团队，有机会参与核心AI基础设施建设，职业发展空间大
• 负责Code大模型训练数据的全流程生产与管理，确保数据质量和规模
• 设计并开发数据加工链路、合成方案以及高效的数据处理引擎，提升数据生产效率
• 探索利用Agent和自演化方法构建下一代预训练数据管道，推动技术前沿
• 精通至少一种编程语言（Go/Python/Java），具备扎实的工程能力
• 熟悉大数据生态工具（Spark/Flink/Kafka/Hive/HDFS），有实际数据处理经验
• 对机器学习和大模型训练数据流程有深入理解，有相关项目经验者优先
• 具备独立思考和快速学习能力，能应对技术挑战

申请策略

• 投递时附上能展示数据工程能力的GitHub链接或技术博客
• 了解字节跳动搜索业务和Code大模型的应用方向，面试中体现业务理解
• 突出大数据处理和大规模数据管道的项目经验，量化数据规模和性能指标
• 展示编程能力（Go/Python/Java）和系统设计经验，如有开源贡献更佳
• 强调任何与大模型、机器学习相关的数据工作，如数据清洗、合成、预训练数据准备
• 巩固Spark、Flink等大数据框架的实操能力，可完成一些数据ETL项目
• 学习大模型预训练的基本原理，了解数据需求（如去重、质量过滤、Tokenization）
• 可尝试搭建一个简单的数据Pipeline，使用Agent或数据合成方法

面试指南

• 用STAR原则回答项目经历：情境、任务、行动、结果，突出数据规模和技术难点
• 对于设计问题，先明确目标和约束，再分模块阐述方案，最后评估折中
• 展现对大数据和大模型交叉领域的理解，表明学习能力和技术热情
• 请描述一次你设计并实现大规模数据Pipeline的经历
• 你如何保证训练数据的质量和多样性？有没有具体方案？
• 解释数据合成在Code大模型中的作用，你有哪些想法？
• 谈谈你对Spark或Flink的底层原理理解，遇到过哪些性能问题？
• 如果让你构建一个高效的Pretrain数据Pipeline，你会怎么做？