字节跳动
大模型智能归因算法工程师-AI Platform
大模型智能归因算法工程师-AI Platform
发布于 1 天前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
硕士
机器学习
数据分析
SQL
特征工程
数据合成
大模型
lightGBM
Prompt调优
Agentic框架
AI 估算 · 30k–50k
大模型算法工程师稀缺度高，字节跳动薪酬竞争力强，综合经验和市场行情，月薪在3-5万之间。
职位详情
关于这个职位
该职位专注于AI Agent智能归因系统的建设，通过分析海量执行轨迹数据，量化大模型能力差异，为产品改进和模型训练提供数据驱动的反馈
你将探索大模型与特征工程的融合，构建自动化迭代闭环，提升归因系统的泛化能力和预测稳定性
适合具备扎实机器学习基础和强数据分析能力的算法工程师
最低要求
人工智能、计算机科学、统计学、数学等相关专业研究生及以上学历，具备扎实的机器学习理论基础
精通特征工程：具备从非结构化数据中设计和提取特征的实战经验，熟悉交叉特征构造、缺失值语义处理、特征筛选等技术
精通机器学习算法：熟练使用树模型、神经网络、评分卡等算法技术，具备模型可解释性、正则化、去相关性分析等相关实践经验
具备优秀的数据分析能力，能从数据中发现问题模式，擅长分层分析、聚类分析、校准分析、因果推断等定量分析方法，以及可解释性、可视化等分析手段
熟练使用SQL和Python进行数据处理和建模，熟悉NumPy、Pandas、Scikit-learn、LightGBM等常用库
有大模型应用经验（如Agentic框架、Prompt调优、上下文管理、数据合成、数据蒸馏等），并熟悉AI辅助编程工具（如TRAE、Claude Code等），能利用AI Agent快速完成开发和实验验证
工作职责
负责AI Agent智能归因系统建设，从海量执行轨迹数据中提炼关键信号，量化Agent能力差异，为产品团队提供精准改进方向建议，同时为LLM训练团队提供高质量训练反馈信号
建设数据驱动的自动化迭代优化闭环，通过持续的系统性负面案例分析持续识别归因盲区，保障评测能力跨场景泛化能力与预测稳定性
探索大模型Agent与传统特征工程的深度融合，通过AI自进化方法挖掘深层行为模式，持续拓展归因系统的信号边界，适配大模型业界的快速发展
AI 洞察
优缺点分析
优点
- 参与前沿大模型Agent技术落地，技术成长空间大
- 字节跳动平台资源丰富，数据和算力支持充足，能接触海量真实业务场景
- 岗位核心，直接推动产品改进和模型训练，影响力强
- 大模型领域迭代极快，需持续学习新技术，保持技术敏锐度
缺点 / 挑战
- 归因系统对准确性和稳定性要求高，处理复杂数据和歧义场景有挑战
- 互联网大厂工作节奏较快，可能面临一定的工作压力
- 适合对AI Agent和大模型有浓厚兴趣、具备扎实ML和数据分析基础、喜欢挑战复杂算法问题的求职者
角色解读
- 可向AI算法专家或技术Leader方向发展，主导核心归因系统的架构与创新
- 可深入大模型应用领域，成为LLM训练与评测方向的资深专家
- 可横向迁移至其他AI平台或业务团队，从事更广泛的算法研究与开发工作
- 建设AI Agent的智能归因系统，从海量执行轨迹中提取关键信号，量化模型能力差异
- 构建数据驱动的自动化优化闭环，通过负面案例分析和持续迭代提升归因系统的泛化能力
- 探索大模型与传统特征工程的融合，利用自进化方法挖掘深层行为模式，拓展信号边界
- 扎实的机器学习理论基础，熟悉特征工程、树模型、神经网络等主流算法
- 优秀的数据分析能力，包括分层分析、因果推断、可视化等，能从数据中发现问题
- 熟练使用SQL、Python及常用库（NumPy、Pandas、Scikit-learn、LightGBM）
- 具备大模型应用经验，如Agent框架、Prompt调优、数据合成等，熟悉AI辅助编程工具
申请策略
- 了解字节跳动AI平台相关产品和技术方向，在面试中展示对业务的思考
- 突出特征工程和机器学习项目经验，尤其是从非结构化数据中提取特征的案例
- 强调大模型相关经验，如使用Agentic框架、Prompt调优、数据合成等
- 展示数据分析能力，如因果推断、分层分析等，并提供量化成果
- 若缺乏大模型经验，可提前学习LangChain、AutoGPT等Agent框架，动手做些小项目
- 巩固SQL和Python数据处理能力，熟悉LightGBM等常用工具
面试指南
- 用STAR法（情境-任务-行动-结果）描述项目经历，突出自己解决问题的思路和成果
- 对于开放性问题，先明确问题定义，再分点提出解决方案，结合实际案例支撑
- 请描述一次你从非结构化数据中设计和提取特征的经历，遇到了哪些挑战？
- 如何评估一个AI Agent的能力？你会设计哪些归因指标？
- 讲讲你对大模型Agent和传统特征工程融合的理解，有哪些创新思路？
- 如何通过数据分析发现模型归因盲区？请举例说明
- 你对Prompt调优和数据合成有哪些实践经验？
- 复习特征工程、树模型、神经网络等基础知识，并能手推简单算法
匹配度报告
74
综合匹配度
大厂前沿算法岗，技术成长快、薪酬高，但工作地点固定且可能加班。
适合人群
最适合看重技术成长、愿意投入时间学习前沿技术、对高薪酬有期待的求职者。
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50
使命价值70
薪资福利匹配
85较高
字节跳动薪酬在行业内属于第一梯队，且为已上市公司，福利完善，能满足较高的薪资和稳定性需求。但JD未明确薪资和福利细节。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
90较高
职位涉及大模型Agent、特征工程、数据驱动迭代等前沿技术，技能成长空间大。JD明确要求多种算法和工具，能接触核心任务，但未提及晋升路径。
技术前沿前沿/新兴技术
技术栈大模型、Agentic框架、特征工程、LightGBM、因果推断
业务类型profit_center
工作生活匹配
50较低
工作地点在北京，通常为现场办公，JD未提及弹性或远程办公。互联网大厂可能存在一定加班现象，但无明确信号。
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
该职位通过归因系统直接推动大模型能力提升，有技术使命感，但社会影响力相对中性，属于行业前沿但非直接社会公益。
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