字节跳动
风控算法工程师-情报算法（杭州/北京）
风控算法工程师-情报算法（杭州/北京）
发布于 大约 2 小时前普通员工/个人贡献者
杭州市 / 北京市
高级经验
全职员工
仅现场办公
学历未注明
软件工程
NLP
LLM
SFT
图建模
CV
RLHF
LangGraph
风控
Agentic Rl
AI 估算 · 35k–65k
字节跳动为一线互联网大厂，高级算法工程师岗位薪酬竞争力强，北京/杭州薪资水平较高，结合技术难度和业务价值，预计月薪35-65K。
职位详情
关于这个职位
作为字节跳动的风控算法工程师，你将利用大模型Agent、CV、NLP、图建模等前沿技术，深入挖掘账号安全、交易欺诈、内容安全等场景的风险模式
工作涉及从业务数据中无监督挖掘新风险模式、构建风控数据产品化能力，并探索Agent自动化与自进化
这是一个技术挑战与业务价值并重的岗位，适合热爱反作弊与AI技术的算法专家
最低要求
精通Python编程，具备生产级应用的开发经验，熟悉Linux开发环境，并对数据结构和算法有深入理解
熟悉常用NLP、CV、序列建模、图建模算法
熟悉至少一种主流Agent框架，如LangGraph、OpenClaw、Hermes、Codex、Claude Code等，并有实际项目经验
深刻理解大模型（LLM）与AI Agent的核心原理
具备AI算法背景，对SFT、RLHF等Post-training技术有深入了解，有针对性优化模型能力的实践经验者优先
具备出色的技术沟通和跨团队协同能力，能够撰写清晰的技术文档、教程和示例代码
对技术充满热情，具备优秀的分析和解决问题能力，能够主动追踪前沿技术并探索其在业务中的应用
工作职责
利用大模型Agent、CV、NLP、序列建模、图建模等技术，还原互联网风险事件链路（账号安全、交易欺诈、内容安全、营销作弊、爬虫对抗等），挖掘风险行为模式，定位风险主体、作弊链路与关键数据特征
在全业务场景中，从业务数据（包括内容、行为、交易等）出发，以无监督方式挖掘新的风险模式，刻画大盘的风险分布，对突发风险模式发出预警，为风险事件研判提供线索
深入理解业务模式、攻防链路与风控产品机制，生产可复用的风控数据并与策略、工程、治理等团队协同，推动风控数据能力在业务场景的深度应用和价值回收，推动风控数据能力的产品化、平台化沉淀
充分利用Agent框架（如LangGraph、OpenClaw、Hermes、Codex、Claude Code等），打造专用Skills工具集和Agentic RL技术，从巡检、数据收集、调查、复原、价值回收等多个角度提高生产效率
探索Agent自动化和自进化能力，让Agent能够从真实风控数据中学习，持续提升其决策与执行能力
优先资格
在风控领域有相关算法或研发经验
在强化学习领域有深入研究或实践经验，如Policy-based/Value-based methods、PPO、GRPO等
熟悉多模态（Multi-modal）推理技术，并有相关项目落地经验
对Agent安全（Safety）、成本优化、性能（QPS/稳定性）有深入思考或实践经验
在ICML、ICLR、NeurIPS、ACL、CVPR等学术会议上发表过有影响力的研究成果，或在ACM/ICPC、NOI/IOI、Kaggle等竞赛中获奖者
熟悉全球主流大模型服务及API，有设计并落地复杂Agent系统的经验
AI 洞察
优缺点分析
优点
- 聚焦大模型Agent和AI前沿技术，岗位技术栈先进，利于个人技术品牌建设
- 风控是互联网核心领域，业务价值高，对公司的安全与营收有直接贡献
- 需要同时掌握多种AI技术（CV、NLP、图、RL等），学习曲线较陡
- 风控领域攻防对抗激烈，问题动态变化，需要持续跟进最新黑产手段和技术
- 适合热爱技术、有较强自驱力和问题解决能力的算法工程师，尤其对AI Agent、多模态、对抗环境感兴趣，愿意在风控领域深耕的候选人
缺点 / 挑战
- 身处字节跳动这样的大平台，能够接触海量真实数据和复杂业务场景，技术挑战大，成长快
- 工作节奏较快，可能面临一定的加班压力（互联网大厂普遍现象）
角色解读
- 深耕风控算法领域，成为反欺诈/内容安全方向的技术专家
- 向AI Agent架构师发展，主导复杂自动化系统的设计与落地
- 可转向管理岗位，带领团队构建风控中台，或横向扩展到其他业务线（如电商、金融）
- 利用大模型Agent和多种AI技术（CV、NLP、图建模）分析互联网风险事件链路，如账号安全、交易欺诈等，挖掘作弊模式
- 通过无监督学习从业务数据中主动发现新型风险，构建风险分布大盘并预警突发风险
- 将风控数据产品化，与策略、工程团队协作，推动风控能力的深度应用和平台化沉淀
- 开发Agent工具集并探索Agent自动化和自进化能力，提升风控链路的生产效率
- 精通Python，具备生产级开发经验，熟悉Linux、数据结构和算法
- 熟悉NLP、CV、序列建模、图建模等常用算法
- 掌握至少一种主流Agent框架（如LangGraph、OpenClaw等），深刻理解LLM和AI Agent原理
- 了解SFT、RLHF等Post-training技术，有模型优化实践经验更佳
申请策略
- 提前了解字节跳动的风控业务线（如抖音、电商、飞书等），在面试中展现对业务的思考和兴趣
- 准备一个与技术、工程、治理等团队协同的项目案例，体现跨团队沟通能力
- 突出Agent框架落地经验，例如使用LangGraph构建过什么自动化流程，取得了什么效果
- 强调在风控领域的项目经历，尤其是账号安全、交易欺诈等场景的算法成果
- 展示Post-training技术（SFT、RLHF）的实际应用案例，量化模型优化指标
- 如果有学术论文或竞赛获奖，一定要列出，体现研究能力
- 建议深入学习Agent框架（如LangGraph、Claude Code），动手搭建一个Agent演示项目
- 补充强化学习知识，特别是PPO、GRPO等算法，最好有实践代码
面试指南
- 结构化回答：先明确问题核心，然后给出具体方法，最后举例说明效果或教训
- 分步骤阐述：从需求分析、技术选型、实现过程到结果评估，展示系统性思维
- 请详细描述你使用过一个Agent框架（如LangGraph）的项目，包括设计思路、遇到的挑战和解决方案
- 在风控场景中，你如何平衡准确率和召回率？举一个实际的调优例子
- 解释SFT和RLHF的区别，以及在风控模型优化中你会选择哪种方法？为什么？
- 如果让你设计一个从数据收集到风险预警的自动化Agent，你会如何架构？
- 请介绍你对图建模在反欺诈中应用的理解，以及如何构建用户关系图
- 复习Agent框架的底层原理（如ReAct模式、工具调用），并准备一个demo演示
匹配度报告
72
综合匹配度
字节跳动高级风控算法，技术前沿、薪酬优厚，但工作强度和WLB需权衡。
适合人群
适合追求技术成长和职业发展、对前沿AI技术充满热情、接受互联网大厂工作节奏的候选人。
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
字节跳动薪酬在大厂中处于领先水平，且岗位为高级算法，预计薪资优厚。福利方面虽未在JD中明确，但大厂通常有五险一金、补充医疗、免费三餐等。
薪资信号未披露（AI估算：35K-65K/月）
成长发展匹配
92较高
该岗位技术栈前沿，涉及大模型Agent、多模态、强化学习等，且有明确的成长路径（风控产品化、Agent自动化）。JD中提到了Agent自动化和自进化能力，技术成长机会极佳。
技术前沿前沿/新兴技术
技术栈大模型Agent、LLM、RLHF、LangGraph、Agentic RL、多模态、SFT、PPO、GRPO
成长机会探索Agent自动化和自进化能力
业务类型profit_center
工作生活匹配
40较低
JD中未提及远程办公或弹性工时，字节跳动作为互联网大厂通常有固定办公要求，且风控岗位可能面临突发情况，WLB一般。地点在杭州/北京，市区或科技园通勤可能较长。
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
风控岗位直接对抗黑产和欺诈，保护用户和平台安全，具有一定的社会价值。但业务目标更多是商业利益驱动（如减少损失、提升营收），使命感中等。
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