字节跳动
Agentic RecSys算法工程师-抖音
Agentic RecSys算法工程师-抖音
发布于 1 天前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
软件工程
PyTorch
强化学习
RAG
TensorFlow
LLM
推荐系统
多模态
SFT
RL
AI 估算 · 35k–65k
字节跳动作为一线大厂，算法岗位薪资竞争力强。该职位要求LLM+推荐系统前沿技术，属于高难度领域，薪资偏高。
职位详情
关于这个职位
该职位负责抖音主Feed推荐系统的Agentic化升级，结合大语言模型（LLM）与智能体（Agent）技术，探索推荐系统的新范式
你将参与从召回、排序到重排的全链路优化，推动LLM驱动的推荐在真实场景落地，同时与工程、产品团队协作，解决内容分发和用户体验等核心问题
适合对推荐系统和LLM Agent有浓厚兴趣的算法工程师
最低要求
本科学历及以上，计算机、人工智能、机器学习、数学、统计学、运筹优化等相关专业
具备扎实的机器学习和深度学习基础，熟悉推荐系统、搜索、广告、NLP、大模型、强化学习中的一个或多个方向
熟悉推荐系统核心链路，包括召回、排序、重排、多目标优化、样本构建、特征体系、评估体系和在线实验
熟悉PyTorch/TensorFlow等主流深度学习框架，具备良好的算法实现能力、工程能力和数据分析能力
对LLM、Agent、SFT、RL、RAG、Memory、Planning、Tool Use、LLM Judge等方向有深入理解或浓厚兴趣
具备优秀的问题抽象能力和系统性思考能力，能够从复杂业务场景中提炼关键算法问题，并推动方案落地
具备良好的沟通协作能力，能够在高复杂度、多角色协作环境中推进关键项目
工作职责
负责抖音主Feed推荐系统Agentic化相关算法研发，探索LLM/Agent与推荐系统深度结合的新范式，建设推荐统一Agent中枢能力，包括用户理解、长期/短期Memory、任务规划、策略编排、反馈评估与自我迭代机制
推动LLM based RecSys在真实推荐链路中的落地，优化召回、排序、重排、多目标决策、体验对齐等关键环节，面向抖音主Feed的推荐场景，解决内容分发、用户体验、多目标优化、长期价值建模、生态平衡等问题
参与推荐大模型、生成式推荐、多模态推荐、多场景统一建模等方向研发，提升推荐系统的表达能力、泛化能力和决策能力，建设推荐Auto Research能力，利用LLM/Agent自动探索模型结构、特征组合、Reward设计、策略优化和实验方向，提升算法迭代效率
与工程、产品、数据科学等团队协作，推动前沿算法方案在大规模线上系统中验证、落地和持续迭代
优先资格
有推荐、搜索、广告、内容理解或大模型系统的工业落地经验
有LLM for RecSys、Agentic RecSys、生成式推荐、推荐大模型、强化学习、多模态推荐等相关经验
有Post-training、Reward Modeling、LLM for Judge、Agent Planning等相关项目经验
在推荐系统、机器学习、NLP、多模态、强化学习等方向发表过较高质量论文，或有较高质量开源项目/竞赛成果
有高DAU/高QPS场景下的算法优化经验，理解大规模线上系统的稳定性、效率和实验约束
对AI for Research、自动化算法迭代、自演进推荐系统有持续关注和系统性思考
AI 洞察
优缺点分析
优点
- 前沿技术栈：深度参与LLM+推荐这一热门交叉领域，快速积累稀缺经验
- 大平台资源：抖音海量用户和真实场景，提供大规模实验和落地机会
- 高薪资回报：字节算法岗薪资处于行业顶尖水平，成长空间大
- 团队协作氛围：与优秀工程师和科学家共事，利于技术交流与提升
- 技术难度高：需同时掌握推荐系统和LLM Agent，学习曲线陡峭
- 竞争激烈：内部人才储备丰富，需持续产出高质量成果以保持优势
- 适合对推荐系统和LLM Agent均有浓厚兴趣，渴望在技术前沿快速成长，并能承受高强度工作的算法工程师
缺点 / 挑战
- 业务压力大：抖音核心推荐系统对效果和稳定性要求极高，迭代节奏快
角色解读
- 技术深耕：从推荐算法向LLM+Agent方向纵深发展，成为跨领域专家
- 管理路线：积累项目经验后，可转向技术Leader，带领团队进行算法创新
- 通用AI能力：积累的Agent、强化学习、多模态等技能可迁移至其他AI领域
- 研发Agentic推荐系统，将LLM与Agent技术融入抖音主Feed推荐链路，提升推荐效果
- 优化召回、排序、重排等核心环节，解决多目标优化及用户体验问题
- 探索生成式推荐、多模态推荐等前沿方向，提升系统表达能力
- 与工程、产品团队协作，推动算法在大规模线上系统落地并迭代
- 扎实的机器学习与深度学习基础，熟悉推荐系统、LLM或强化学习
- 精通PyTorch/TensorFlow，具备优秀的工程实现和数据处理能力
- 深入理解LLM/Agent技术栈，包括SFT、RL、RAG、Memory等
- 系统性问题抽象能力，能独立从业务场景中提炼算法问题并推动解决
申请策略
- 了解抖音推荐业务特点（如短视频、直播、电商），在面试中结合场景思考
- 关注字节跳动技术博客或论文，展现对团队技术方向的认同
- 突出推荐系统相关项目经验，尤其是召回、排序、多目标优化等核心环节
- 强调LLM/Agent相关实践，如SFT、RL、RAG、Agent Planning等，展示技术深度
- 列出高质量论文、开源项目或竞赛成果，证明算法创新能力
- 展示大规模系统优化经验，如高DAU场景下的稳定性与效率提升
- 系统学习LLM/Agent技术栈，可参考《LLM Engineer's Handbook》或论文
- 动手实现端到端推荐+Agent demo，比如用LangChain构建推荐Agent
面试指南
- 方案设计类：先明确问题目标→拆解关键环节→提出具体技术方案（如使用LLM进行query理解+召回）→讨论潜在的挑战与权衡
- 概念解释类：清晰定义概念→给出核心原理→结合实际场景举例→对比类似技术
- 经验类：使用STAR法则描述情境、任务、行动和结果，突出技术难点与个人贡献
- 如何将LLM Agent应用于推荐系统的召回阶段？请设计一个方案
- 解释Memory机制在推荐Agent中的作用，并举例说明
- 推荐系统中的多目标优化有哪些常见方法？如何平衡用户点击和长期留存？
- 描述一次你处理推荐系统线上数据偏移的经历
- 你怎么看待生成式推荐与传统推荐的区别？适合哪些场景？
职位点评
70
综合评分
前沿LLM+推荐岗位，技术成长空间极大，薪资优厚，但工作强度高，WLB一般。
更适合这类人
最适合追求技术前沿和高速成长的求职者，尤其对LLM+推荐方向有强烈兴趣，能接受高强度工作。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展92
工作生活40
使命价值65
薪资福利
85较高
字节跳动作为上市大厂，薪资福利处于业内顶尖水平，该职位明确要求前沿技术，薪资竞争力强。但JD未提及具体福利，福利信号不明显。
薪资信号未披露（AI估算：35K-65K/月）
成长发展
92较高
该职位聚焦LLM+推荐这一前沿交叉领域，技术栈新且挑战性高，JD中明确提到探索新范式、建设Auto Research能力，成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、Agent、SFT、RL、RAG、Memory、Planning、Tool Use、LLM Judge、生成式推荐、多模态
成长机会探索、建设、提升、迭代、前沿
业务类型profit_center
工作生活
40较低
JD未提及工作模式或WLB，字节跳动作为互联网公司，加班文化普遍，且地点在上海市区，通勤可能较远。综合判断Lifestyle满足度较低。
工作模式未明确
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
65中等
抖音推荐系统直接影响数亿用户体验，技术价值高。但JD未强调社会使命感，主要聚焦技术本身。行业属于高速增长的互联网赛道。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs