官网职位描述
团队介绍：我们通过部署先进的安全系统、推行标准化操作流程，构建基于零信任的安全防护体系，提升字节跳动全球办公环境的整体安全态势。我们坚持以主动预防为核心，同时构建敏捷高效的安全响应能力，为全球办公环境提供持续、可靠的安全保障。 1、参与内部威胁、数据泄露、权限滥用和异常访问等风险场景的分析与检测，使用Python、SQL对员工行为、设备、权限和资源访问日志进行数据清洗、探索分析和特征构建； 2、在导师指导下，参与分类、聚类、异常检测、时序建模（LSTM/Transformer）等算法的开发与实验，协助处理标签稀缺、类别不平衡、高维稀疏数据和模型误报等问题； 3、参与模型与检测规则的效果评估，分析误报、漏报及模型失效原因； 4、参与行为图谱、威胁图的构建，实践社群发现、GNN/HGT异构图学习等方法，挖掘异常边、孤立点与攻击链路； 5、参与LLM告警降噪、message/Prompt语义级风险识别、非结构化弱关联匹配与证据解释实验，实践LLM后训练（SFT与强化学习RLHF/RLAIF）在Agent智能体安全检测场景的应用； 6、构造对抗样本，参与负面案例驱动的规则、特征、阈值、Prompt迭代，实现安全风控策略和算法自进化，配合算法及工程团队，将实验方案转化为可复现、可维护的代码，并参与生产落地。
职位要求
- 2027届获得本科及以上学历，计算机、人工智能、数据科学、统计学、信息安全或相关专业；
- 熟练使用Python，掌握常用数据处理与机器学习工具，如Pandas、NumPy、Scikit-learn、PyTorch等，掌握SQL，能够独立完成数据提取、清洗和基础分析；
- 理解常见机器学习方法，对分类、聚类、异常检测或时序建模中的至少一个方向有实践经验，具备基本的概率统计知识，能够合理设计实验并分析结果；
- 对知识图谱、图神经网络（GNN）或图学习有了解或实践经验者优先，对大语言模型（LLM）应用、Prompt工程、SFT或强化学习（RLHF）有了解或实践经验者优先；
- 具备良好的问题拆解、代码实现和学习能力，能够主动推进任务；
- 对安全、风控、反欺诈、反作弊、信任与安全或异常检测方向感兴趣。 加分项
- 有机器学习、数据挖掘、异常检测、时序分析、图学习（GNN/社群发现/异构图）或大语言模型相关项目经验；
- 有LLM SFT、强化学习（RLHF/RLAIF）或大模型对齐相关实践经验；
- 有多Agent协同、AI Agent开发或安全攻防对抗相关项目经验；
- 有安全、风控、反欺诈、反作弊或数据分析相关实习、科研或竞赛经历；
- 使用过真实业务数据，处理过样本不平衡、标签稀缺或高误报问题；
- 有开源项目、技术博客、论文或高质量竞赛成果；
- 具备良好的工程习惯，熟悉Git、Linux和基本的软件开发流程。
