字节跳动AI自动化实习生-TikTok安全产品
任职要求
1、本科及以上学历在读，计算机科学、信息系统、数据科学、人工智能、工程、商业分析或相关专业； 2、具备出色的分析与问题解决能力，能够解读数据并得出可落地的洞见；具备出色的沟通与协作能力，可在跨职能团队中高效开展工作；能够统筹多项任务，同时高度关注细节；积极主动的学习者，对人工智能技术及卓越运营抱有强烈好奇心； 3、对大语言模型（LLM）、生成式AI、AI智能体或机器学习应用有明确的兴趣或实操经验；通过课程学习、个人项目、黑客马拉松或…
工作职责
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：平台责任（Platform Responsibility）团队通过深度应用 AI 来提升内容安全。我们致力于打造下一代基础设施，利用大语言模型（LLMs）重构风险识别与治理体系。通过建设高质量数据链路、将 AI 引入平台安全核心决策环节，实现效率与质量的大幅提升。我们的工作是规模化工程与前沿技术的交汇点，不仅支撑全球业务的高速增长，更是用户信任的坚实基石。 1、协助规划并落地AI自动化项目，提升信任与安全业务的运营效率、质量及可扩展性； 2、协助设计、测试、优化基于大语言模型的工作流及智能体应用场景的提示词，并通过实验和数据分析评估提示词质量、业务规则及自动化逻辑； 3、分析运营及AI模型性能数据（涵盖精确率、召回率、漏判、误判及人工审核质量等指标），构建仪表板、报表和可视化内容，监控AI采用情况、运营效率及自动化性能，识别可优化机会； 4、支持新AI功能的试点项目与A/B测试，与产品、工程及运营团队协作收集需求、协调项目活动，并为相关方总结成果结论； 5、记录工作流程、实验结果、最佳实践及流程优化内容，支持跨团队知识共享；研究生成式AI、AI智能体与运营自动化领域的新兴趋势，挖掘未来创新机遇。
1. 参与投放增长流程自动化方案落地，梳理投放监控、数据分析、归因复盘等环节中的自动化机会。 2. 协助搭建投放归因和效果分析链路，围绕渠道、账户、素材、人群、落地页、转化事件等维度进行分析。 3. 支持增长实验设计和分析，包括实验分组、指标定义、数据追踪、效果评估和复盘。 4. 使用SQL / Python完成数据提取、清洗、分析、自动化报表和异常监控。 5. 探索AI Agent / LLM在投放增长场景中的应用，包括Prompt设计、任务流设计、效果评估和工具迭代。 6. 与投放增长团队、AI中台、数据团队协作，推动分析结论和自动化方案落地。
1. 围绕智能驾驶、智能座舱 Agent 等产品场景，参与体验评测流程的 AI 自动化建设； 2. 梳理产品体验评测中的关键流程，包括数据采集、问题分类、体验评价、归因分析、报告生成等环节； 3. 协助设计自动化评测工具及 AI 工作流，明确输入输出、判断逻辑、验收标准、异常处理和效果指标； 4. 支撑智驾和座舱体验评测的自动化落地，提升评测效率、问题识别效率和报告生成质量； 5. 与产品、研发、数据、测试、运营等团队协作，推动评测流程从人工汇总向自动化闭环转变。
ByteIntern：面向2027届毕业生（2026年9月-2027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：AI数据与安全团队为Seed基座模型及AI原生应用提供跨模态数据服务，覆盖数据生产全流程，包含模型评估标准的制定、数据规模化生产、数据飞轮搭建，不断提升数据质量，支持模型快速迭代。 团队由产品经理、数据工程、数据运营等跨职能人才组成，并通过与Seed研究员、行业专家、全球顶尖数据供应商紧密合作，从真实场景中收集反馈并分析模型表现数据，解决AI前沿突破过程中的复杂数据问题，推动模型性能与用户体验的双重提升。我们既是帮助模型技术迭代的一线贡献者，也是模型和AI产品的一手用户。 1、负责大模型自动化评测研发工作，将各类评测集在内部平台集成开发，助力模型在各垂类方向的能力提升； 2、负责训练数据的有效性验证工作，通过模型训练、构建Agent等方式，判别有效训练数据，助力模型能力提升； 3、调研公开文献、公开评测集、训练方法，参与自建评测集等探索类工作，优秀成果可以支持学术论文发表； 4、探索智能、高效的模型评估和训练方案，主导开发相关工具。
我们相信，AI 研发本身，是下一个被 AI 加速和重塑的领域。美团 LongCat 团队正在探索下一代 AI 自进化与自动化研究系统：让模型不仅能够完成任务，也能够参与模型研发过程本身，围绕问题发现、假设生成、实验执行、结果验证、经验沉淀与策略迭代，形成持续改进的研究闭环。加入我们，你将参与构建以研究智能体为核心，联动可验证研究环境、训练与评测体系、研究策略库的 AI for AI 系统，并将自动化研究能力反哺到模型自身的训练、评测与迭代中，推动“用 AI 研发更强 AI”的长期目标。 1. 自动化研究智能体能力建设 参与提升模型在复杂任务分解、长程推理、研究规划、工具使用、代码生成与执行、证据整合、结果归因与研究报告生成等方面的闭环能力，并在真实模型研发任务中验证效果。 2. 长程上下文、记忆与状态管理 探索 context scaling / compression、memory selection、任务状态追踪等机制，解决长周期任务中的一致性衰减、状态丢失、中断恢复与长期依赖管理问题。 3. 可验证研究环境与自动实验闭环 构建覆盖 search、browser、retrieval、code execution、training / eval job、sandbox 等能力的交互式研究环境，将研究任务建模为可交互、可验证、可评分的闭环，支持自动实验编排、结果比对与版本回滚。 4. 训练策略与反馈信号设计 设计数据配方、环境反馈、过程监督与 reward 信号体系，结合 SFT、强化学习等方法，引导模型在事实正确性、工具调用可靠性、任务完成率与研究轨迹质量上持续提升。 5. 评测体系与错误分析闭环 建设面向真实 research workflow 的 benchmark 与自动评测体系，系统分析研究智能体在规划、检索、工具调用、上下文管理、实验执行、结果归因等环节的典型失败模式，并反哺训练策略与 harness 优化。 6. 研究经验沉淀与策略自进化 将成功与失败任务轨迹沉淀为 research episode、skill、eval case 等可检索、可复用、可训练的经验资产，支持模型在后续任务中检索、复用、迁移与迭代，推动研究策略的持续自进化。