{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "【实习】面向大模型与AI Agent的AI云原生基础设施关键技术研究 - 存储",
        "job_level": "实习",AI生成
        "work_category": "实习",AI生成
        "department": "未披露",
        "location": "北京、上海、深圳、杭州、成都",
        "work_mode": "未披露",AI生成
        "job_category": "后端"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": "博士在读",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "团队介绍：字节跳动基础设施存储团队，为字节跳动全系产品提供存储服务，对外打造火山引擎公有云存储产品体系，在AI时代深度支撑豆包大模型和方舟大模型平台。我们根植字节跳动最佳技术实践，以数十万台服务器规模和百EB 级数据稳定存储的企业服务经验，通过火山引擎丰富的存储产品矩阵对外赋能。我们积极探索业界顶尖的技术，从底层硬件构造到数据治理和上层应用加速，致力于构建业界领先的云存储服务，释放海量数据的无限价值。\n\n课题介绍：\n随着大语言模型与AI Agent规模化落地，传统云原生基础设施已难以适配AI负载的极致性能与弹性需求。本课题围绕AI基础设施全栈展开系统性研究：\n1、网络与可观测：研究大规模AI集群故障智能定位与根因分析，结合时序数据库智能调优，提升集群稳定性；\n2、存储系统：研发AI场景专属的Serverless高性能弹性文件系统与存储加速架构，探索DPU软硬件协同优化，突破AI存储性能瓶颈；\n3、算力调度：研究GPU/CPU/MEM异构协同调度技术，面向AI Agent构建Serverless异构算力编排系统，解决负载异构、状态依赖等调度难题；\n4、向量检索：优化面向大模型应用的向量检索核心技术，打造云原生分布式向量索引引擎，满足超大规模向量检索的低延迟、低成本需求；\n5、智能化与Agent架构：探索基于AI Agent工作流的基础设施自动寻优，构建可自主进化的业务Agent框架，通过AI for Infra赋能全栈智能优化；\n本课题旨在构建支撑大模型与AI Agent落地的下一代AI原生基础设施，提升资源利用率、降低成本、支撑弹性扩展，推动AI基础设施技术演进。\n\n课题挑战：\n1、全栈协同挑战：覆盖多技术领域，需要从端到端视角实现系统性优化，避免单点优化收益不足；\n2、性能成本平衡：AI场景对性能提出极致要求，需要在吞吐、延迟、规模与成本之间找到最优平衡点；\n3、云原生适配：需要将传统单机技术方案重构为适配云原生分布式架构，解决扩缩容、容错、调度等新问题；\n4、AI系统融合：既需要用AI赋能基础设施优化，又需要基础设施原生适配AI负载，深度融合对技术整合要求高；\n5、Agent稳定性：自主进化Agent框架需要解决经验学习、知识一致性、持续安全进化等基础问题，工程化难度大；\n6、研发生态平衡：需要平衡前沿理论创新与工程落地，兼顾技术突破与现有业务生态适配。\n\n课题价值：\n1、构建大模型/RAG 场景的高性能基础设施底座，支撑大规模向量数据高效检索；\n2、优化AI业务存储成本结构与运维复杂度；\n3、提升异构算力资源配置效率与技术复用性。",
        "requirements_text": "1、2027届及以后毕业，博士在读；优先考虑人工智能、计算机科学、数学相关专业；\n2、拥有扎实的信息检索、数据挖掘、机器学习、计算机网络等相关领域理论基础，精通计算机网络和网络编程，熟练掌握至少一门编程语言，如C/C++、Python、Go等，具备优秀的代码能力、数据结构和基础算法功底；\n3、针对不同研究方向，需具备相应能力，如能够独立完成复杂搜索任务的设计与开发；有LLM和基础架构相关研究背景；能完成研究点的设计文档、独立交付件、演示Demo；熟悉当前高性能网络和系统领域的最新进展，包括RDMA，拥塞控制、AI网络优化等技术；\n4、具备高效的学习能力，拥有较强的自我驱动意识；具有良好的团队合作精神，善于与团队成员协作交流，共同攻克难题；出色的问题分析和解决能力，有自主探索解决方案的能力；出色的心理素质与应变能力，面对困难勇于迎接挑战，面对复杂局面沉着、冷静、灵活；\n5、在SIGIR、VLDB、ICDE、NeurIPS、SIGCOMM、NSDI等顶级学术会议或期刊上发表过论文者优先。",
        "skills": [AI生成
            "Python",
            "C++",
            "机器学习",
            "数据结构",
            "数据挖掘",
            "团队协作",
            "学习能力"
        ],
        "preferred_qualifications": "优先考虑人工智能、计算机科学、数学相关专业；5、在SIGIR、VLDB、ICDE、NeurIPS、SIGCOMM、NSDI等顶级学术会议或期刊上发表过论文者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://jobs.bytedance.com/campus/position/7626404832249170229/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7626404832249170229",
        "post_date": "2026-04-08",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://jobs.bytedance.com/campus/position/7626404832249170229/detail"
    },
    "fulltext": "【实习】面向大模型与AI Agent的AI云原生基础设施关键技术研究 - 存储\n职位描述\n团队介绍：字节跳动基础设施存储团队，为字节跳动全系产品提供存储服务，对外打造火山引擎公有云存储产品体系，在AI时代深度支撑豆包大模型和方舟大模型平台。我们根植字节跳动最佳技术实践，以数十万台服务器规模和百EB 级数据稳定存储的企业服务经验，通过火山引擎丰富的存储产品矩阵对外赋能。我们积极探索业界顶尖的技术，从底层硬件构造到数据治理和上层应用加速，致力于构建业界领先的云存储服务，释放海量数据的无限价值。\n\n课题介绍：\n随着大语言模型与AI Agent规模化落地，传统云原生基础设施已难以适配AI负载的极致性能与弹性需求。本课题围绕AI基础设施全栈展开系统性研究：\n1、网络与可观测：研究大规模AI集群故障智能定位与根因分析，结合时序数据库智能调优，提升集群稳定性；\n2、存储系统：研发AI场景专属的Serverless高性能弹性文件系统与存储加速架构，探索DPU软硬件协同优化，突破AI存储性能瓶颈；\n3、算力调度：研究GPU/CPU/MEM异构协同调度技术，面向AI Agent构建Serverless异构算力编排系统，解决负载异构、状态依赖等调度难题；\n4、向量检索：优化面向大模型应用的向量检索核心技术，打造云原生分布式向量索引引擎，满足超大规模向量检索的低延迟、低成本需求；\n5、智能化与Agent架构：探索基于AI Agent工作流的基础设施自动寻优，构建可自主进化的业务Agent框架，通过AI for Infra赋能全栈智能优化；\n本课题旨在构建支撑大模型与AI Agent落地的下一代AI原生基础设施，提升资源利用率、降低成本、支撑弹性扩展，推动AI基础设施技术演进。\n\n课题挑战：\n1、全栈协同挑战：覆盖多技术领域，需要从端到端视角实现系统性优化，避免单点优化收益不足；\n2、性能成本平衡：AI场景对性能提出极致要求，需要在吞吐、延迟、规模与成本之间找到最优平衡点；\n3、云原生适配：需要将传统单机技术方案重构为适配云原生分布式架构，解决扩缩容、容错、调度等新问题；\n4、AI系统融合：既需要用AI赋能基础设施优化，又需要基础设施原生适配AI负载，深度融合对技术整合要求高；\n5、Agent稳定性：自主进化Agent框架需要解决经验学习、知识一致性、持续安全进化等基础问题，工程化难度大；\n6、研发生态平衡：需要平衡前沿理论创新与工程落地，兼顾技术突破与现有业务生态适配。\n\n课题价值：\n1、构建大模型/RAG 场景的高性能基础设施底座，支撑大规模向量数据高效检索；\n2、优化AI业务存储成本结构与运维复杂度；\n3、提升异构算力资源配置效率与技术复用性。\n\n职位要求\n1、2027届及以后毕业，博士在读；优先考虑人工智能、计算机科学、数学相关专业；\n2、拥有扎实的信息检索、数据挖掘、机器学习、计算机网络等相关领域理论基础，精通计算机网络和网络编程，熟练掌握至少一门编程语言，如C/C++、Python、Go等，具备优秀的代码能力、数据结构和基础算法功底；\n3、针对不同研究方向，需具备相应能力，如能够独立完成复杂搜索任务的设计与开发；有LLM和基础架构相关研究背景；能完成研究点的设计文档、独立交付件、演示Demo；熟悉当前高性能网络和系统领域的最新进展，包括RDMA，拥塞控制、AI网络优化等技术；\n4、具备高效的学习能力，拥有较强的自我驱动意识；具有良好的团队合作精神，善于与团队成员协作交流，共同攻克难题；出色的问题分析和解决能力，有自主探索解决方案的能力；出色的心理素质与应变能力，面对困难勇于迎接挑战，面对复杂局面沉着、冷静、灵活；\n5、在SIGIR、VLDB、ICDE、NeurIPS、SIGCOMM、NSDI等顶级学术会议或期刊上发表过论文者优先。\n团队介绍：字节跳动基础设施存储团队，为字节跳动全系产品提供存储服务，对外打造火山引擎公有云存储产品体系，在AI时代深度支撑豆包大模型和方舟大模型平台。我们根植字节跳动最佳技术实践，以数十万台服务器规模和百EB 级数据稳定存储的企业服务经验，通过火山引擎丰富的存储产品矩阵对外赋能。我们积极探索业界顶尖的技术，从底层硬件构造到数据治理和上层应用加速，致力于构建业界领先的云存储服务，释放海量数据的无限价值。\n\n课题介绍：\n随着大语言模型与AI Agent规模化落地，传统云原生基础设施已难以适配AI负载的极致性能与弹性需求。本课题围绕AI基础设施全栈展开系统性研究：\n1、网络与可观测：研究大规模AI集群故障智能定位与根因分析，结合时序数据库智能调优，提升集群稳定性；\n2、存储系统：研发AI场景专属的Serverless高性能弹性文件系统与存储加速架构，探索DPU软硬件协同优化，突破AI存储性能瓶颈；\n3、算力调度：研究GPU/CPU/MEM异构协同调度技术，面向AI Agent构建Serverless异构算力编排系统，解决负载异构、状态依赖等调度难题；\n4、向量检索：优化面向大模型应用的向量检索核心技术，打造云原生分布式向量索引引擎，满足超大规模向量检索的低延迟、低成本需求；\n5、智能化与Agent架构：探索基于AI Agent工作流的基础设施自动寻优，构建可自主进化的业务Agent框架，通过AI for Infra赋能全栈智能优化；\n本课题旨在构建支撑大模型与AI Agent落地的下一代AI原生基础设施，提升资源利用率、降低成本、支撑弹性扩展，推动AI基础设施技术演进。\n\n课题挑战：\n1、全栈协同挑战：覆盖多技术领域，需要从端到端视角实现系统性优化，避免单点优化收益不足；\n2、性能成本平衡：AI场景对性能提出极致要求，需要在吞吐、延迟、规模与成本之间找到最优平衡点；\n3、云原生适配：需要将传统单机技术方案重构为适配云原生分布式架构，解决扩缩容、容错、调度等新问题；\n4、AI系统融合：既需要用AI赋能基础设施优化，又需要基础设施原生适配AI负载，深度融合对技术整合要求高；\n5、Agent稳定性：自主进化Agent框架需要解决经验学习、知识一致性、持续安全进化等基础问题，工程化难度大；\n6、研发生态平衡：需要平衡前沿理论创新与工程落地，兼顾技术突破与现有业务生态适配。\n\n课题价值：\n1、构建大模型/RAG 场景的高性能基础设施底座，支撑大规模向量数据高效检索；\n2、优化AI业务存储成本结构与运维复杂度；\n3、提升异构算力资源配置效率与技术复用性。\n1、2027届及以后毕业，博士在读；优先考虑人工智能、计算机科学、数学相关专业；\n2、拥有扎实的信息检索、数据挖掘、机器学习、计算机网络等相关领域理论基础，精通计算机网络和网络编程，熟练掌握至少一门编程语言，如C/C++、Python、Go等，具备优秀的代码能力、数据结构和基础算法功底；\n3、针对不同研究方向，需具备相应能力，如能够独立完成复杂搜索任务的设计与开发；有LLM和基础架构相关研究背景；能完成研究点的设计文档、独立交付件、演示Demo；熟悉当前高性能网络和系统领域的最新进展，包括RDMA，拥塞控制、AI网络优化等技术；\n4、具备高效的学习能力，拥有较强的自我驱动意识；具有良好的团队合作精神，善于与团队成员协作交流，共同攻克难题；出色的问题分析和解决能力，有自主探索解决方案的能力；出色的心理素质与应变能力，面对困难勇于迎接挑战，面对复杂局面沉着、冷静、灵活；\n5、在SIGIR、VLDB、ICDE、NeurIPS、SIGCOMM、NSDI等顶级学术会议或期刊上发表过论文者优先。",
    "standard_classification": {
        "std_category_code": "T019",
        "std_aux_codes": [
            "T018"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}