Agent技术专家-剪映CapCut（深圳/广州）

优缺点分析

角色解读

• 沿着大模型后训练与 Agent 方向纵深发展，成长为团队内的算法方向负责人或技术专家
• 借助内容创作这一高用户量场景，积累多模态生成与 Agent 产品化的稀缺经验
• 若具备带人和跨团队推进能力，后续可转向技术管理或 AI 产品技术负责人的路径
• 负责剪映/CapCut 内 Agent 应用的端到端设计，包括 Agent 模型、链路与配套的评测体系
• 打通数据与模型的反馈闭环，让评测结果能反哺模型迭代，持续提升视频/图片生成与编辑效果
• 用 Prompt/Context Engineering、SFT、RLHF 等后训练手段把 Agent 能力上限往上推
• 与业务、数据、工程团队协作，把研究性方案在真实创作场景中落地
• 扎实的大模型训练与优化功底，熟悉 PyTorch/TensorFlow，了解 DeepSpeed、Megatron 等并行训练框架
• 熟悉 LLM/VLM 的 Post-Training 技术栈（SFT、RLHF、偏好对齐等），有实际项目或研究产出
• 具备 Agent 系统设计与评测经验，能把控链路效果而非只调单点模型
• 有全链路视角和从 0 到 1 的落地能力，能把技术语言翻译成产品价值

申请策略

• 提前体验剪映/CapCut 的 AI 功能，形成对产品与用户场景的具体观察，面试中可作为切入点
• 关注字节跳动对 Agent 与多模态的技术分享和公开成果，理解团队的技术取向
• 突出大模型训练与后训练项目：数据规模、训练框架（DeepSpeed/Megatron）、对齐方法（SFT/RLHF）与实际收益
• 单列 Agent 相关经历，说明链路设计、工具调用、评测方案与你负责的部分
• 用可量化指标描述效果提升，如生成质量、编辑成功率、用户指标变化等
• 若有论文、开源项目或竞赛成果，一并列出以证明研究深度
• 补齐 Agent 评测体系相关知识，包括自动评测、LLM-as-judge、人类偏好评估等方法
• 熟悉多模态生成与编辑（VLM、视频生成/编辑模型）的主流方案与开源实现

面试指南

• 用「背景—目标—方案—结果」讲清项目：先说明业务约束，再讲技术选择与取舍，最后给出量化结果与反思
• 面对开放设计题，先拆解目标与评价标准，再给出分层方案（数据、模型、评测、迭代闭环），并说明风险与验证方式
• 讲技术细节时主动说明为什么这样选，对比备选方案的优劣，体现判断力而非只报流水账
• 你如何设计一套端到端的 Agent 评测体系？如何保证评测结果与线上真实体验一致？
• 请介绍一次你通过 SFT 或 RLHF 提升模型能力的完整项目，数据如何构造、指标如何变化？
• 在视频/图片编辑场景里，你认为 Agent 与直接调用生成模型相比优势在哪里，难点是什么？
• 你如何理解「数据与模型共进化」？有没有类似实践？
• 大模型分布式训练中你遇到过哪些问题，如何定位和优化？