主分类：Agent系统开发
辅助：搜索推荐与业务决策算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "大模型Agent推荐算法研发工程师（推荐智能体） - TikTok算法",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京、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": "2027届获得硕士及以上学位",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、设计并实现推荐算法研发Agent，覆盖需求理解、数据分析、特征与模型诊断、实验方案生成、结果归因和迭代建议等场景；\n2、构建Agent的核心能力，包括任务规划、工具调用、上下文与记忆管理、多Agent协作、异常恢复和人机协同；\n3、将Agent接入推荐研发链路中的数据平台、实验平台、模型训练与评估系统，让复杂任务能够端到端执行，而不止停留在文本建议；\n4、建立面向算法研发任务的评测体系，衡量正确性、可执行性、效率收益、稳定性与安全边界，并通过数据和反馈持续优化；\n5、研究LLM在推荐算法场景中的应用方法，构建AI For Recommendation的下一代推荐系统；\n6、与推荐算法、平台工程和产品团队紧密协作，把真实研发痛点抽象为可复用的Agent能力与平台组件。",
"requirements_text": "1、2027届获得硕士及以上学位，计算机、人工智能、机器学习或相关专业；\n2、具备扎实的算法与工程基础；熟悉至少一个方向：大语言模型、Agent系统、推荐系统、搜索/广告算法、机器学习平台；\n3、理解LLM应用的关键技术，包括Prompt、RAG、Function Calling、上下文工程、评测与模型微调中的若干项；\n4、具备良好的编程能力，熟练使用Python，并能在复杂工程系统中完成设计、开发、调试和性能优化；\n5、能够把模糊问题拆解成可验证的假设、指标和实验，对结果有追根究底的习惯；\n6、有开放的技术视野和强烈的产品意识，关注最终是否解决算法工程师的真实问题，而不是只追求Demo效果。\n\n加分项\n1、有生产级Agent、Copilot、LLM应用平台或模型后训练项目经验；\n2、有大规模推荐、搜索或广告系统经验，熟悉召回、排序、多目标优化、在线实验和指标归因；\n3、做过Agent评测、轨迹数据合成、强化学习或复杂工具调用，对可靠性和可观测性有实践经验；\n4、参与过高质量开源项目，或在LLM、Agent、推荐系统相关方向发表过论文；\n5、有从0到1推动新技术落地的经历，能在不确定性中快速找到可验证路径。",
"skills": [AI生成
"Python",
"机器学习",
"强化学习",
"模型微调",
"性能优化",
"可靠性",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/campus/position/7679724040286456117/detail"
}
]
},
"posting": {
"posting_id": "7679724040286456117",
"post_date": "2026-08-30",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/campus/position/7679724040286456117/detail"
},
"fulltext": "大模型Agent推荐算法研发工程师（推荐智能体） - TikTok算法\n职位描述\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、设计并实现推荐算法研发Agent，覆盖需求理解、数据分析、特征与模型诊断、实验方案生成、结果归因和迭代建议等场景；\n2、构建Agent的核心能力，包括任务规划、工具调用、上下文与记忆管理、多Agent协作、异常恢复和人机协同；\n3、将Agent接入推荐研发链路中的数据平台、实验平台、模型训练与评估系统，让复杂任务能够端到端执行，而不止停留在文本建议；\n4、建立面向算法研发任务的评测体系，衡量正确性、可执行性、效率收益、稳定性与安全边界，并通过数据和反馈持续优化；\n5、研究LLM在推荐算法场景中的应用方法，构建AI For Recommendation的下一代推荐系统；\n6、与推荐算法、平台工程和产品团队紧密协作，把真实研发痛点抽象为可复用的Agent能力与平台组件。\n\n职位要求\n1、2027届获得硕士及以上学位，计算机、人工智能、机器学习或相关专业；\n2、具备扎实的算法与工程基础；熟悉至少一个方向：大语言模型、Agent系统、推荐系统、搜索/广告算法、机器学习平台；\n3、理解LLM应用的关键技术，包括Prompt、RAG、Function Calling、上下文工程、评测与模型微调中的若干项；\n4、具备良好的编程能力，熟练使用Python，并能在复杂工程系统中完成设计、开发、调试和性能优化；\n5、能够把模糊问题拆解成可验证的假设、指标和实验，对结果有追根究底的习惯；\n6、有开放的技术视野和强烈的产品意识，关注最终是否解决算法工程师的真实问题，而不是只追求Demo效果。\n\n加分项\n1、有生产级Agent、Copilot、LLM应用平台或模型后训练项目经验；\n2、有大规模推荐、搜索或广告系统经验，熟悉召回、排序、多目标优化、在线实验和指标归因；\n3、做过Agent评测、轨迹数据合成、强化学习或复杂工具调用，对可靠性和可观测性有实践经验；\n4、参与过高质量开源项目，或在LLM、Agent、推荐系统相关方向发表过论文；\n5、有从0到1推动新技术落地的经历，能在不确定性中快速找到可验证路径。\n团队介绍：TikTok搜推算法团队，负责TikTok短视频产品的基础推荐、搜索算法，加入我们，你能接触到包括搜索、用户增长、社交、直播、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地，并着力研究下一代AI Search和Chatbot的核心研发技术，包括不限于Multi-Agent、Agentic RL、Harness、Loop Engineering，探索强化学习在大模型时代的新范式。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以感受不同文化的碰撞，激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。\n\n1、设计并实现推荐算法研发Agent，覆盖需求理解、数据分析、特征与模型诊断、实验方案生成、结果归因和迭代建议等场景；\n2、构建Agent的核心能力，包括任务规划、工具调用、上下文与记忆管理、多Agent协作、异常恢复和人机协同；\n3、将Agent接入推荐研发链路中的数据平台、实验平台、模型训练与评估系统，让复杂任务能够端到端执行，而不止停留在文本建议；\n4、建立面向算法研发任务的评测体系，衡量正确性、可执行性、效率收益、稳定性与安全边界，并通过数据和反馈持续优化；\n5、研究LLM在推荐算法场景中的应用方法，构建AI For Recommendation的下一代推荐系统；\n6、与推荐算法、平台工程和产品团队紧密协作，把真实研发痛点抽象为可复用的Agent能力与平台组件。\n1、2027届获得硕士及以上学位，计算机、人工智能、机器学习或相关专业；\n2、具备扎实的算法与工程基础；熟悉至少一个方向：大语言模型、Agent系统、推荐系统、搜索/广告算法、机器学习平台；\n3、理解LLM应用的关键技术，包括Prompt、RAG、Function Calling、上下文工程、评测与模型微调中的若干项；\n4、具备良好的编程能力，熟练使用Python，并能在复杂工程系统中完成设计、开发、调试和性能优化；\n5、能够把模糊问题拆解成可验证的假设、指标和实验，对结果有追根究底的习惯；\n6、有开放的技术视野和强烈的产品意识，关注最终是否解决算法工程师的真实问题，而不是只追求Demo效果。\n\n加分项\n1、有生产级Agent、Copilot、LLM应用平台或模型后训练项目经验；\n2、有大规模推荐、搜索或广告系统经验，熟悉召回、排序、多目标优化、在线实验和指标归因；\n3、做过Agent评测、轨迹数据合成、强化学习或复杂工具调用，对可靠性和可观测性有实践经验；\n4、参与过高质量开源项目，或在LLM、Agent、推荐系统相关方向发表过论文；\n5、有从0到1推动新技术落地的经历，能在不确定性中快速找到可验证路径。",
"standard_classification": {
"std_category_code": "T009",
"std_aux_codes": [
"T011"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}