{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "Agent与大模型安全算法工程师-飞书",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "未披露",
        "location": "上海",
        "work_mode": "未披露",AI生成
        "job_category": "算法"AI生成
    },
    "company": {
        "company_name": "字节跳动",
        "company_industry": "互联网 / 数字内容 / 电商",
        "company_size": "10000人以上",
        "company_website": "bytedance.com",
        "company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "计算机相关专业本科及以上学历",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1、构建覆盖Prompt Injection、越权调用、数据泄露、上下文污染、模型幻觉、滥用自动化能力等风险的系统性评估数据集与基准，形成面向飞书内大模型的安全评测标准；\n2、针对具备“数字分身”能力的Agent（如OpenClaw类自动化工具），构建Agent运行时行为特征体系（Tool调用图谱、API调用频率分布、会话节奏、上下文压缩模式等），设计Agent风险检测算法，通过实时拦截、分级管控与审计溯源保障Agent安全；\n3、研究模型在攻击扰动下的一致性、稳定性与安全边界，探索SFT/RLHF/DPO等对齐技术在安全决策场景中的有效性与局限，提升模型在复杂交互场景中的可控性与风险收敛能力；\n4、建立大模型Red Team机制，系统性设计攻击向量（Prompt注入、工具劫持、记忆污染、RAG检索污染、多轮诱导攻击等），持续发现模型和Agent系统的结构性弱点，并推动工程侧闭环优化。",
        "requirements_text": "1、两年以上算法研发经历，计算机相关专业本科及以上学历；\n2、编程能力强，至少精通一种编程语言（Python/Go等），熟悉LangChain/AutoGPT/Hadoop/Spark/Flink等框架；\n3、熟悉Transformer架构及主流训练范式（SFT、RLHF、DPO、PPO等），理解Reward Model、对齐机制与安全约束建模；对Prompt Injection、防越权机制、模型幻觉治理等方向有深入认知；理解Agent工具调用链、函数调用、Memory机制、RAG架构；具备运行时行为检测、异常检测、时序建模经验者优先；\n4、了解当前主流的AI安全问题与攻防方法，包括但不限于Prompt Injection（直接注入与间接注入）、Jailbreak、数据投毒、模型逆向、对抗样本、模型滥用及越权调用第三方服务等攻击手段与防御思路；安全攻防或威胁建模经验：具备一定的安全研究、渗透测试、红队演练或威胁建模经验，能够从攻击者视角系统性地分析复杂系统的安全风险面。\n\n加分项\n1、在AI安全、对抗机器学习、系统安全等领域发表过高质量学术论文（如顶会S&P、USENIX Security、CCS、NeurIPS、ICML、ACL等），或在相关开源项目中有持续贡献；\n2、有大模型应用或智能体系统的安全研究、攻防测试或安全治理的实战经验，曾主导或深度参与过相关安全项目。",
        "skills": [AI生成
            "Python",
            "Spark",
            "Hadoop",
            "Flink",
            "机器学习",
            "建模",
            "大语言模型",
            "智能体开发"
        ],
        "preferred_qualifications": "具备运行时行为检测、异常检测、时序建模经验者优先；加分项",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/experienced/position/7613413360331213061/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7613413360331213061",
        "post_date": "2026-03-04",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/experienced/position/7613413360331213061/detail"
    },
    "fulltext": "Agent与大模型安全算法工程师-飞书\n职位描述\n1、构建覆盖Prompt Injection、越权调用、数据泄露、上下文污染、模型幻觉、滥用自动化能力等风险的系统性评估数据集与基准，形成面向飞书内大模型的安全评测标准；\n2、针对具备“数字分身”能力的Agent（如OpenClaw类自动化工具），构建Agent运行时行为特征体系（Tool调用图谱、API调用频率分布、会话节奏、上下文压缩模式等），设计Agent风险检测算法，通过实时拦截、分级管控与审计溯源保障Agent安全；\n3、研究模型在攻击扰动下的一致性、稳定性与安全边界，探索SFT/RLHF/DPO等对齐技术在安全决策场景中的有效性与局限，提升模型在复杂交互场景中的可控性与风险收敛能力；\n4、建立大模型Red Team机制，系统性设计攻击向量（Prompt注入、工具劫持、记忆污染、RAG检索污染、多轮诱导攻击等），持续发现模型和Agent系统的结构性弱点，并推动工程侧闭环优化。\n\n职位要求\n1、两年以上算法研发经历，计算机相关专业本科及以上学历；\n2、编程能力强，至少精通一种编程语言（Python/Go等），熟悉LangChain/AutoGPT/Hadoop/Spark/Flink等框架；\n3、熟悉Transformer架构及主流训练范式（SFT、RLHF、DPO、PPO等），理解Reward Model、对齐机制与安全约束建模；对Prompt Injection、防越权机制、模型幻觉治理等方向有深入认知；理解Agent工具调用链、函数调用、Memory机制、RAG架构；具备运行时行为检测、异常检测、时序建模经验者优先；\n4、了解当前主流的AI安全问题与攻防方法，包括但不限于Prompt Injection（直接注入与间接注入）、Jailbreak、数据投毒、模型逆向、对抗样本、模型滥用及越权调用第三方服务等攻击手段与防御思路；安全攻防或威胁建模经验：具备一定的安全研究、渗透测试、红队演练或威胁建模经验，能够从攻击者视角系统性地分析复杂系统的安全风险面。\n\n加分项\n1、在AI安全、对抗机器学习、系统安全等领域发表过高质量学术论文（如顶会S&P、USENIX Security、CCS、NeurIPS、ICML、ACL等），或在相关开源项目中有持续贡献；\n2、有大模型应用或智能体系统的安全研究、攻防测试或安全治理的实战经验，曾主导或深度参与过相关安全项目。\n1、构建覆盖Prompt Injection、越权调用、数据泄露、上下文污染、模型幻觉、滥用自动化能力等风险的系统性评估数据集与基准，形成面向飞书内大模型的安全评测标准；\n2、针对具备“数字分身”能力的Agent（如OpenClaw类自动化工具），构建Agent运行时行为特征体系（Tool调用图谱、API调用频率分布、会话节奏、上下文压缩模式等），设计Agent风险检测算法，通过实时拦截、分级管控与审计溯源保障Agent安全；\n3、研究模型在攻击扰动下的一致性、稳定性与安全边界，探索SFT/RLHF/DPO等对齐技术在安全决策场景中的有效性与局限，提升模型在复杂交互场景中的可控性与风险收敛能力；\n4、建立大模型Red Team机制，系统性设计攻击向量（Prompt注入、工具劫持、记忆污染、RAG检索污染、多轮诱导攻击等），持续发现模型和Agent系统的结构性弱点，并推动工程侧闭环优化。\n1、两年以上算法研发经历，计算机相关专业本科及以上学历；\n2、编程能力强，至少精通一种编程语言（Python/Go等），熟悉LangChain/AutoGPT/Hadoop/Spark/Flink等框架；\n3、熟悉Transformer架构及主流训练范式（SFT、RLHF、DPO、PPO等），理解Reward Model、对齐机制与安全约束建模；对Prompt Injection、防越权机制、模型幻觉治理等方向有深入认知；理解Agent工具调用链、函数调用、Memory机制、RAG架构；具备运行时行为检测、异常检测、时序建模经验者优先；\n4、了解当前主流的AI安全问题与攻防方法，包括但不限于Prompt Injection（直接注入与间接注入）、Jailbreak、数据投毒、模型逆向、对抗样本、模型滥用及越权调用第三方服务等攻击手段与防御思路；安全攻防或威胁建模经验：具备一定的安全研究、渗透测试、红队演练或威胁建模经验，能够从攻击者视角系统性地分析复杂系统的安全风险面。\n\n加分项\n1、在AI安全、对抗机器学习、系统安全等领域发表过高质量学术论文（如顶会S&P、USENIX Security、CCS、NeurIPS、ICML、ACL等），或在相关开源项目中有持续贡献；\n2、有大模型应用或智能体系统的安全研究、攻防测试或安全治理的实战经验，曾主导或深度参与过相关安全项目。",
    "standard_classification": {
        "std_category_code": "T023",
        "std_aux_codes": [
            "T010"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}