字节跳动
大模型Agent研究工程师-Seed
大模型Agent研究工程师-Seed
发布于 大约 17 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
学历未注明
强化学习
LLM
多模态模型
大模型
Prompt设计
多智能体
Agent系统
AI 估算 · 30k–60k
大模型Agent岗位技术门槛高，人才稀缺，字节跳动薪资竞争力强，加上上海的生活成本，月薪在30k-60k合理。
职位详情
关于这个职位
这份工作是字节跳动在大模型Agent领域的研发岗位，你将负责设计和优化复杂任务执行的Agent系统，包括任务规划、记忆、工具调用等机制，并参与构建评测体系和自动化流程
适合对LLM和Agent技术有深入理解、渴望在AI前沿领域做技术攻坚的工程师
最低要求
对语言大模型、多模态大模型、智能代理Agent技术以及大模型部署流程有较好的理解
具备扎实的软件工程能力与机器学习基础，能够独立完成复杂系统设计、开发与优化
具备基于大语言模型构建复杂Agent系统的实践经验，理解任务规划、执行、记忆、协作等关键机制
具备Prompt设计、模型应用开发、模型编排或相关产品化经验
具备良好的沟通与协作能力，能够与研究、产品、工程团队高效配合推进复杂问题落地
工作职责
负责大模型Agent系统的研究与工程落地，围绕复杂任务执行持续优化Agent效果，包括但不限于harness、memory、context compression、planning/execution、multi-agent collaboration等关键机制
设计并实现面向大规模Agent任务的Benchmark、评测集、指标体系与自动化评测流程，支持模型训练、版本迭代和产品上线
建设和优化Agent的关键能力接口与运行机制，包括Prompt、Tool use、任务拆解、上下文管理、模型编排、执行策略等
参与训练数据构造、样本优化与效果分析，提升模型在Agent场景下的性能、稳定性与易用性
与算法、平台、产品等团队协作，推动Agent在编程、研究、运营、知识工作等场景中的落地，并围绕效果、成本、稳定性持续优化
优先资格
熟悉常见Agent Benchmark或相关评测方法，有Benchmark工程化、自动评测、效果分析经验，或有语言模型强化学习（RL）、多智能体系统经验者优先
持续关注Agent、多智能体、自动评测、训练优化等前沿研究与行业进展
AI 洞察
优缺点分析
- 处于AI最前沿的大模型Agent赛道，技术挑战大，能快速积累稀缺经验
- 字节跳动平台优势，资源丰富，可接触海量数据和业务场景
- 团队技术氛围浓厚，有机会与顶尖研究员和工程师合作
- 技术迭代极快，需要持续学习最新论文和框架，压力较大
- Agent效果提升难度高，可能面对大量试错和不确定性
- 互联网大厂普遍节奏快，工作强度可能较高
- 适合对LLM和Agent技术有强烈兴趣、具备扎实工程能力、愿意在高压力下技术攻坚的求职者
角色解读
- 技术深耕方向：成为Agent领域的专家，专注核心算法优化和创新
- 架构扩展方向：从单Agent到多智能体协作，成长为系统架构师
- 业务落地方向：推动Agent在字节各产品线应用，转向技术管理或产品化角色
- 设计和优大大模型驱动的Agent系统，提升其在复杂任务中的规划、执行、记忆和协作能力
- 构建大规模Agent评测基准，包括数据集、自动化流程和效果分析，推动模型快速迭代
- 与算法、产品团队协作，将Agent技术落地到编程、研究、运营等实际场景
- 深入理解大语言模型和多模态模型原理，熟悉Agent关键机制（规划、工具调用、记忆等）
- 扎实的软件工程能力，能独立设计和优化复杂系统，熟悉Prompt设计、模型编排
- 有构建Agent系统的实战经验，了解Benchmark和自动评测方法
- 良好的沟通协作能力，能与研究、工程、产品团队高效配合
申请策略
- 了解字节跳动在Agent方面的公开项目（如豆包、Coze等），面试中展现对业务的热情
- 提前准备一个你主导的Agent系统案例，从问题定义、方案设计到效果评估完整阐述
- 突出你在Agent系统构建上的项目经验，包括任务规划、工具调用、记忆机制等
- 强调Benchmark或评测体系的设计和自动化经验，展示量化成果
- 如果有RL或多智能体相关经历，重点描述
- 用具体案例说明你如何优化Prompt或模型编排，提升任务效果
- 深入研读近期Agent相关论文（如ReAct、AutoGPT、Toolformer等），并动手复现
- 熟悉主流通用Agent框架（如LangChain、AutoGen），了解其设计思想
面试指南
- STAR框架：情境（Situation）、任务（Task）、行动（Action）、结果（Result）用于项目经验问题
- First Principles：对于设计类问题，从基本需求出发，然后分模块阐述方案（如规划、记忆、工具等）
- 描述你设计过的Agent系统，包括其规划、执行和记忆机制，以及遇到的挑战
- 如何设计一个Benchmark来评估Agent在复杂任务中的表现？
- 解释RL在Agent训练中的作用，你有相关经验吗？
- 大模型Agent的上下文窗口有限，你怎么处理长任务？
- 当Agent工具调用失败时，你会如何设计容错机制？
- 系统复习LLM和Agent的关键论文，准备好自己的理解和思考
匹配度报告
72
综合匹配度
字节大模型Agent研发岗，前沿技术栈，成长潜力极大，但工作强度未知可能较高。
适合人群
最适合追求技术前沿、快速成长、愿意为职业发展投入高强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展95
工作生活50
使命价值70
薪资福利匹配
75中等
薪资属于大厂高级工程师市场水准，福利未在JD中明确，但字节跳动通常有竞争力薪资和基础福利，满足度中等偏上。
薪资信号未披露 (30K-60K/月)
成长发展匹配
95较高
岗位涉及大模型Agent前沿技术，成长空间极大，JD明确提到持续关注前沿研究，且字节跳动平台资源丰富，发展动机得到极强满足。
技术前沿前沿/新兴技术
技术栈大模型、多模态、Agent、强化学习、多智能体、Prompt
成长机会持续关注前沿研究与行业进展
业务类型ambiguous
工作生活匹配
50较低
仅现场办公，未提及弹性或WLB，互联网大厂通常节奏快，生活化动机满足有限。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
70中等
大模型是高速增长赛道，技术创新性高，但社会影响力中性，使命感适中。
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