字节跳动
AI应用开发工程师-服务架构
AI应用开发工程师-服务架构
发布于 大约 12 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
人工智能
RAG
GO
LLM
风险治理
稳定性
Ai防控
AI 估算 · 25k–45k
一线大厂AI核心岗位，薪资竞争力强，中级水平月薪25k-45k，含股票期权激励。
职位详情
关于这个职位
该职位负责字节跳动财经业务的技术风险防控AI体系建设，涉及智能体（Agent）研发、工程生态优化和AI Native实践
你将使用Java/Go/C++等语言，推动AI在智能应急、变更防控等场景落地，适合有支付或金融背景、对AI驱动系统变革有热情的中高级工程师
最低要求
本科及以上学历，计算机、软件工程等相关专业，熟悉Java/Go/C++等中的至少一种技术语言
对智能应急、智能变更防控、AI风险治理、稳定性平台等技术领域有深刻理解
具备支付或金融领域背景，有从0到1参与建设稳定性保障体系的实践经验者优先
具备系统化思维，能从复杂业务中抽象通用平台能力
具备AI Native思维，对AI如何驱动系统级变革有深度思考
具备良好的负责人意识与执行力，能独立驱动复杂方案从设计到最终落地，并持续优化
工作职责
AI防控体系建设：负责技术风险防控AI应用体系的建设与迭代，推动AI技术在智能应急、智能变更防控、AI风险治理等场景的深度落地
智能体（Agent）研发：设计与实现面向财经场景的AI Agent，负责Agent模型应用与工程架构迭代，持续优化复杂场景下的响应体验、稳定性与成本
工程生态优化：深度参与核心工具开发，持续推进Agent Harness Engineering，优化包括RAG/LLM Wiki、工具系统在内的技术生态，支撑高并发、多场景的业务需求
AI Native实践与研发模式探索：负责知识问答及助手类应用开发，主导Prompt、Skills及AI Native研发流程的设计与调优，推动团队AI工程化最佳实践落地，构建AI Native研发模式，挖掘AI在技术风险防控领域中的提效空间，探索以AI为核心驱动的稳定性工具链，提升保障效率
前沿技术研究：探索AI领域前沿技术，将创新成果转化为实际业务竞争力，驱动财经产品的技术升级与体验优化
AI 洞察
优缺点分析
优点
- AI防控是公司重点方向，资源投入大，有机会参与前沿技术探索
- 团队成员优秀，技术氛围浓厚，能积累金融级稳定性保障经验
- AI技术迭代快，需要持续学习最新技术并应用到实际业务
- 对系统化思维要求高，需要从复杂业务中抽象通用能力
缺点 / 挑战
- 身处字节跳动大平台，接触海量业务场景和高并发挑战，技术成长快速
- 工作强度较高，需要快速响应线上问题，可能面临较大压力
- 适合有2-5年后端开发经验，对AI应用和稳定性保障有浓厚兴趣，愿意在大厂挑战高难度项目的工程师
角色解读
- 技术专家路线：深耕AI+稳定性领域，成为架构师或技术负责人
- 管理路线：带团队负责更大规模的AI平台建设
- 业务转型：通过AI技术积累，转向金融科技或AI产品方向
- 构建AI风险防控体系，包括智能应急、变更防控、风险治理等场景的AI应用落地
- 研发面向财经场景的AI Agent，优化其响应体验、稳定性和成本
- 优化工程生态，如RAG/LLM Wiki、工具系统，支撑高并发业务
- 探索AI Native研发模式，通过Prompt、Skills等提升开发效率
- 精通Java/Go/C++至少一种，具备扎实的工程能力
- 深入理解AI技术栈，包括LLM、RAG、Agent等
- 熟悉稳定性保障体系，有智能应急或风险治理经验者优先
- 具备系统化思维和AI Native意识，能推动技术落地
申请策略
- 关注字节跳动财经业务的发展方向，在面试中展现对AI Native研发模式的理解
- 准备一个自己主导的复杂项目故事，体现系统化思维和解决问题的能力
- 突出AI相关项目经验，尤其是Agent、LLM应用或稳定性平台建设
- 强调编程语言熟练度和系统设计能力，最好有高并发或金融场景实践
- 展示从0到1推动项目落地的经历，体现负责人意识和执行力
- 补充LLM、RAG、Agent等AI技术知识，可以动手做简单demo
- 学习金融或支付领域的基础知识，了解风险防控场景
- 熟悉字节跳动的技术栈，如Go语言或Kubernetes等
面试指南
- 对于项目类问题，采用STAR法则：背景、任务、行动、结果，突出技术选型和创新点
- 对于设计类问题，先明确需求边界，然后分层架构，考虑可扩展性和稳定性
- 对于AI Native问题，从流程、工具、文化三个层面展开，结合具体案例
- 请描述你参与过的一个AI风险防控项目，具体难点和解决方案是什么？
- 如何设计一个高可用的AI Agent系统，以应对突发流量？
- 你如何理解AI Native研发模式？与传统模式有何区别？
- 在金融场景下，如何平衡AI模型的准确性和召回率？
- 请谈谈你对RAG和LLM Wiki的理解，如何优化它们的性能？
匹配度报告
71
综合匹配度
字节跳动AI核心岗位，前沿技术栈，薪资丰厚，但工作强度大、WLB一般。
适合人群
适合追求技术成长和薪资回报、能接受高强度工作的求职者。
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40
使命价值70
薪资福利匹配
85较高
字节跳动薪资在行业中有竞争力，但工作强度大，福利完善（有餐补、房补等），补偿性动机满足程度较高。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
岗位涉及前沿AI技术（Agent、LLM等），有明确的成长路径和技术深度，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Agent、LLM、RAG、AI Native、Prompt Engineering
业务类型profit_center
工作生活匹配
40较低
仅现场办公，北京核心地段，但大厂高强度工作，WLB一般，生活类动机满足度较低。
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
行业属于高速增长的AI赛道，岗位对社会影响中性，但能推动技术边界，有一定使命感。
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