网易AI技术运营实习生
任职要求
1 本科及以上在读,专业不限,计算机、数据、信息系统相关方向优先。 2. 熟悉主流 AI 工具,有 ClaudeCode、Codex、OpenClaw、Coze、Dify、n8n 等使用经验优先。 3. 具备较强的问题拆解能力,能…
工作职责
1. 梳理运营、内容、用户反馈等场景中的高频低效流程,识别可由 AI Agent 或 workflow 提效的机会。 2. 参与 AI Agent / 自动化工作流的设计、配置、测试和迭代,支持 Prompt、工具调用、知识库、任务链路和异常处理。 3. 基于真实业务场景搭建或优化 AI 应用,包括智能问答、内容生成、数据分析、用户洞察、运营看板等。 4. 沉淀 SOP、Prompt 模板、案例库、知识库和最佳实践,提升团队整体运营效率。
日常实习:面向全体在校生,为符合岗位要求的同学提供为期3个月及以上的项目实践机会。 团队介绍:字节跳动开发者服务团队主要负责公司研发工具体系建设,为开发者提供全技术栈框架、工具和研发体系等基础设施。团队目前在服务端、移动端、Web、桌面端均有深入研究,致力于提供公司全产品线工程效能、可观察性以及各终端技术与框架的基础设施建设。团队还在探索前沿AI技术在工程生产力上的落地与应用,探索研发体系与领域模型的深度融合,实现开发者服务的升级与创新。期待对研发工具体系有兴趣、对技术有追求的同学加入,共同成长! 1、负责技术工具产品的影响力、增长及开发者运营工作; 2、负责技术工具产品的用户体验研究、分析与治理工作; 3、负责业务及运营活动的数据监控及分析,能通过数据指导业务开展; 4、策划并举办运营活动,通过活动方案促进用户增长、留存及活跃; 5、与产品、设计、开发团队紧密合作,推进项目方案落地执行。
岗位职责: 1. AI相关技术内容生产与运营:负责AI相关技术主题的原创内容策划与撰写,协同研发团队,将复杂技术概念转化为易懂的科普内容或用户场景化案例。 2. 跟踪AI行业热点(如大模型进展、AI工具测评等),快速输出解读性内容或运营活动方案。 3. 数据驱动优化监测内容传播效果(阅读量、转化率、互动率等),基于数据反馈迭代内容策略。 4. 分析目标用户需求,协助制定AI技术内容的长线运营规划。
ByteIntern:面向2026届毕业生(2025年9月-2026年8月期间毕业),为符合岗位要求的同学提供转正机会。 团队介绍:大模型数据服务中心,是抖音集团旗下为大模型业务提供数据、评估、运营等专业解决方案的团队; 主要承接大模型数据生产、大模型评估及运营相关的业务,与研发、产品等团队紧密合作,在预训练、数据监督微调、模型强化学习、模型能力评估、产品运营等大模型全链路数据环节,共同推动模型能力持续提升与应用。 1、参与Agent在各领域的用户需求意图分析,Agent编排流程,构建高质量的评测数据集; 2、探索Agent产物的自动化评估流程,包括不限于利用提示词工程(PE)、搭建Agent Workflow做数据生产、基于Python进行数据预处理; 3、与算法、产品团队紧密协作,基于Agent的调用流程和产物将错误进行归因,提升Agent的编排效率和能力。
公司介绍 滴滴于 2016 年组建自动驾驶技术研发部门,致力于打造世界领先的 L4 级自动驾驶技术,通过科技让出行更安全、更高效。我们相信,将自动驾驶技术部署在共享出行车队中,将创造最大的社会价值。依托滴滴在出行领域的 先进技术、海量数据、丰富经验和完整的出行平台生态,我们正在打造并运营世界领先的自动驾驶 Robotaxi 车队,推动自动驾驶在城市复杂交通场景中的规模化落地。 职位描述 作为感知团队的一员,你将与国内外顶尖人才一起,研究和开发自动驾驶领域的前沿算法,直接赋能 L4 Robotaxi 的大规模部署。 你将面向真实城市道路场景中的多样化挑战,利用多模态传感器(LiDAR、Camera、Radar 等)设计、开发并优化感知算法,解决物体识别、障碍物检测、场景理解、意图预测与大模型赋能等核心问题。 在这里,你将有机会: 与中美两地的优秀工程师和科学家合作,参与世界级的技术竞争; 深入研究并推动最前沿的学术成果在产业中的落地; 在全球最大出行平台之一的业务场景中,实现科研成果的规模化应用。 主要方向与职责: 你将在以下方向中选定一个或多个方向深入负责,并承担从研发到落地、从算法到系统的端到端职责: (一)物体识别与跟踪 设计并实现基于 LiDAR / Camera / Radar 的多模态检测模型,识别车辆、行人、自行车、静态障碍物、交通标志等 提升精度、召回率与抗扰性(抗遮挡、夜间、恶劣天气、长尾类别) (二)通用障碍物识别 识别未知类别 /未训练类别的障碍物 基于异常检测 /开放类别识别的算法研究与工程实现 在非结构化环境(施工区域、道路损坏、落物等)中提升鲁棒性 (三)场景和意图理解 语义分割、实例分割、道路 /车道/交通标志/交通灯等结构物识别 场景理解,例如施工区域识别、可通行区域识别等 意图理解,例如行人动作识别、起步意图识别等 交互和事件识别,例如多方交互、交通规则冲突、非规范驾驶行为等 (四)感知大模型 /多模态 探索或应用预训练多模态大模型,将视觉、语言、地图/文本信息融合以增强感知能力 零样本 / 少样本 / 跨域泛化的策略研发 将大模型成果迁移到真实车队感知系统中,提升复杂场景下的鲁棒性 (五)模型评估、验证 构建完整的评估管道,包括离线评估 + 真实道路 + 模拟环境测试,支持回归检测与性能监控 指标体系设计 (Precision, Recall, IoU, latency, false positives rate 等)