字节跳动
AI Coding服务端工程师-字节云
AI Coding服务端工程师-字节云
发布于 1 天前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
本科
RAG
LLM
Serverless
事件驱动
RLHF
微服务治理
Agent编排
AI 估算 · 35k–65k
大厂高级AI工程师，深圳薪资较高，AI方向有溢价，综合市场行情估算
职位详情
关于这个职位
该职位负责打造字节云AI-Native开发引擎，构建PB级代码/文档RAG知识库，并设计异步Agent编排与调度框架，推动AI-Native最佳实践落地
你将参与高并发平台研发，主导10k QPS系统，并深入应用LLM、RAG、Agent编排等前沿技术，适合具有5年以上经验、精通Golang/Python/K8s的技术专家
最低要求
计算机本科学历及以上，5年以上高并发平台研发，主导过10k QPS系统并负责容量规划与灰度策略
精通Golang/Python/K8s，能写控制器/Operator，熟悉Bazel、Serverless、事件驱动架构
深入理解LLM应用范式：RAG、Function Call、Agent编排、RLHF，有生产级落地案例
具备微服务治理与可观测性经验，SLA99、99%，擅长定位CPU/内存/网络综合性能问题
横向沟通与项目管理力强，推动排障并按期交付
质量敏感，学习能力强
工作职责
打造字节云AI-Native Development引擎：以Spec Coding为主线，贯通PRD→TRD→Coding→评测→集成测试，让需求从一句话到可评审MR全链路AI生产，人工一键合并
构建PB级代码/文档RAG知识库，毫秒级语义检索，支撑Agent生成、补全、Review、UT，生产代码采纳率≥50%
设计异步Agent编排与调度框架，基于事件驱动、云原生弹性扩容，内置MCP/A2A协议，打通多语言、多运行时Agent互操作
推动AI-Native最佳实践在真实业务落地，将发布、灰度、监控、回滚策略嵌入Agent决策闭环，经生产验证实现7×24零事故自动交付
优先资格
熟悉编译器或静态分析工具（ANTLR/Tree-sitter即可）
在GitHub提交过Agent相关PR，Star>50更佳
热衷AI技术和分享，乐于组内外宣讲新知识
有产品思维，能用数据看板驱动平台迭代
AI 洞察
优缺点分析
优点
- 接触前沿AI技术（LLM、RAG、Agent编排），积累稀缺的AI基础设施经验，市场价值高
- 字节跳动AI资源丰富，平台大，项目影响面广，能够快速提升技术深度和广度
- 薪资待遇优厚，且公司已上市，福利完善，稳定性较好
- 技术牛人多，学习氛围浓厚，有内部技术分享和开源机会
- 要求技术栈全面且深入，面试难度大，需要同时掌握分布式系统、LLM和云原生技术
- 技术迭代快，需要持续学习，保持对最新AI框架和工具的关注
缺点 / 挑战
- 工作强度较高，可能涉及7×24自动化交付，需要应对紧急问题处理
- 适合有5年以上后端开发经验、热爱AI技术、追求技术挑战、希望在AI基础设施方向深入发展的资深工程师
角色解读
- 在AI基础设施领域深耕，成为AI-Native架构专家，主导更大规模的平台设计与优化
- 向技术管理方向发展，带领团队推动AI技术在字节云内部全面落地
- 横向拓展至AI行业解决方案或开源社区，成为Agent编排、LLM应用等领域的知名专家
- 负责构建AI-Native开发引擎，实现从产品需求到代码合并的全自动化AI生成流程
- 搭建PB级代码/文档RAG知识库，提供毫秒级语义检索能力，提升AI代码生成质量
- 设计异步Agent编排与调度框架，结合云原生弹性扩容，支持多语言、多运行时互操作
- 推动AI-Native最佳实践在业务中落地，确保发布、监控、回滚等环节自动化，实现7×24零事故交付
- 精通Golang或Python，能熟练使用Kubernetes编写控制器/Operator，熟悉Serverless架构
- 深入理解LLM应用范式，包括RAG、Function Call、Agent编排、RLHF，并有生产级落地经验
- 具备高并发平台研发经验，主导过10k QPS系统，熟悉容量规划与灰度策略
- 掌握微服务治理与可观测性，能定位CPU/内存/网络性能问题，保障SLA99.9%以上
申请策略
- 在简历中量化成果，例如代码采纳率提升、系统延迟降低等指标
- 面试前准备一个完整的AI-Native开发案例，从需求到部署全流程讲解
- 突出高并发系统设计经验，尤其是10k QPS以上系统的容量规划和灰度策略案例
- 强调LLM应用落地经验，如RAG、Function Call、Agent编排等实际项目成果
- 展示Golang/Python/K8s的深度使用，包括开发Operator或控制器的经历
- 如果有开源贡献或技术博客，尤其是AI或Agent相关，务必列出
- 巩固Kubernetes控制器开发能力，可参考官方Operator示例
- 深入学习RAG技术栈，如向量数据库、embedding模型、检索策略等
面试指南
- 对于系统设计题，先明确需求和数据规模，然后分层拆解（数据存储、索引、检索、缓存），再考虑扩展性与容错，最后给出评估指标
- 对于LLM应用案例，使用STAR原则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出技术选型和调优过程
- 对于高并发问题，从架构层面（如水平扩展、异步处理、缓存）和运维层面（监控、告警、自动扩缩）结合回答
- 请设计一个支持PB级代码库的RAG系统，如何保证毫秒级检索？
- 如何实现多Agent编排与互操作？描述你熟悉的Agent框架和通信协议
- 在10k QPS高并发场景下，如何进行容量规划和灰度发布？
- 讲一个你实际落地的LLM应用案例，遇到了哪些挑战以及如何解决？
- 如何保障微服务系统的高可用（SLA 99.99%）？请结合可观测性工具说明
匹配度报告
72
综合匹配度
大厂AI前沿岗位，技术成长空间大，薪资优厚，但工作地点固定且强度偏高。
适合人群
最适合追求技术成长和前沿AI能力、能接受较高工作强度的资深工程师。
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92
工作生活40
使命价值70
薪资福利匹配
85较高
职位薪资处于市场高位，字节跳动福利完善（五险一金、补充医疗等），但JD中未明确提及具体福利，综合行业水平给予较高评分。
薪资信号未披露（AI估算：35K-65K/月）
成长发展匹配
92较高
该职位涉及AI前沿技术（LLM、RAG、Agent），能获得大量技术成长；字节跳动内部培训和技术氛围浓厚，但JD未明确提及导师制或晋升通道，基于技术栈和公司文化给予高分。
技术前沿前沿/新兴技术
技术栈Golang、Python、Kubernetes、RAG、LLM、Agent编排、Serverless、事件驱动、RLHF
业务类型profit_center
工作生活匹配
40较低
深圳现场办公，字节跳动通常有弹性工时但工作强度较高，JD未提及WLB细节，因此评分较低。
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
70中等
AI基础设施领域属于高速增长赛道，对技术发展有积极影响，但JD未强调社会价值或使命感，评分适中。
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