Preskoči na glavni sadržaj

ByteDance performanse doživljava veliko prilagođavanje!

Marko MarkovićAIAgentpretraga posla1813 reči6 minuta

ByteDance je interno obavestio sve zaposlene da će polugodišnja procena performansi za 2026. početi 15. jula.

Ovo prilagođavanje ima dva glavna aspekta:

Prvo, povećana je polugodišnja podsticajna sila za one sa ocenom E i iznad.

Originalna osnovica za obračun bila je mesečna plata, sada je proširena na mesečni totalni paket, odnosno mesečna plata plus mesečne opcije i RSU (direktno ti daje akcije ili istovetnu gotovinu, nakon isporuke pripada tebi, ne zahteva dodatno plaćanje).

Promenjen je i način isplate, 25% u gotovini + 75% u opcijama performansi ili RSU, ravnomerno po mesecima, najduže do dve godine. Nakon isporuke 55% može odmah da zatraži otkup od kompanije za gotovinu, preostalih 45% se otkupljuje postepeno tokom tri godine, godišnje.

Postoji još jedna detalj koja se lako previdi: deo godišnjeg bonusa preko 3 meseca ranije je 100% isplaćivan u opcijama, sada je postao 25% gotovine plus 75% opcija.

Drugo, ByteDance stil i principi liderstva dobijaju jasniju težinu u oceni performansi.

Ovo spada u meke veštine.

Znači, prilikom poređenja ponuta ubuduće ne možeš gledati samo mesečnu platu, već moraš gledati i udeo opcija u totalnom paketu, ritam isporuke i procenat otkupa.

Moram priznati, ByteDance u zemlji zaista ima snagu.

Napor je pomalo veliki, ali novca zaista ne žale. Oni koje poznajem, a koji su prešli u ByteDance, svi su imali povišicu iznad očekivanja.

U nastavku je naša nova tradicija, analiza kakvih talenata zaista treba ByteDance-ov AI Agent položaj, kako bismo se snažno bacili na to.

01. ByteDance-ov AI Agent položaj

Pretražio sam ByteDance zvanični sajt za AI Agent položajima i izabrao dva reprezentativna stažiranska mesta za analizu.

Jedno je u infrastrukturnom timu za Agent Infra, drugo u Douyin timu za razvoj Agent aplikacija, koja predstavljaju dve glavne putanje u Agent pravcu.

Prvo da pogledamo prvo, izgradnja AI-Native Infra za eru velikih modela i AI Agent-a.

Sadržaj posla ima tri bloka:

  • Izgradnja visoko-performantnog, višejezičnog okvira za razvoj Agent-a
  • Projektovanje enterprise Agent sistema, obuhvata multiturnus saradnju, memoriju, znanje, autentifikaciju, opservabilnost i ceo životni ciklus
  • Istraživanje najnovijih industrijskih tehnologija i alata, kao što su Agent Skills, OpenCode itd.

Sada da pogledamo drugo, za Douyin C-end proizvode.

Sadržaj posla je koncentrisan na:

  • Izgradnja AI Agent-a, realizacija automatizovanog planiranja, razlaganja zadataka i izvršenja
  • Projektovanje Multi-Agent sistema, osiguravanje efikasnog rada zadataka između više Agent-a
  • Istraživanje Multi-Agent mehanizama saradnje, podsticanje planiranja i razlaganja složenih zadataka

Zahteva se razumevanje Multi-Agent sistema, razlaganja zadataka, automatizovanog planiranja, Prompt Engineering-a i drugih tehničkih oblasti, prednost imaju kandidati sa praksom na Agent projektima. U dodatnim poenima se takođe pominje „praksa u radu sa AI Driven IDE" — što pokazuje da ByteDance interno već koristi AI-vođene alate za razvoj, pa će kandidati sa iskustvom u toj oblasti biti privilegovani.

Dva JD imaju četiri zajednička tvrda zahteva:

  • LLM principi i mainstream tech stack
  • Iskustvo u razvoju Agent okvira
  • Multi-Agent sistemski dizajn
  • Prompt Engineering

Obrati pažnju na jednu stvar: Douyin tim čak nije ni naveo jezik. Za one koji još uvek oklevaju oko izbora jezika, jezik više nije barijera, inženjerska sposobnost Agent sistema je ono što se traži.

02. Priprema za AI Agent posao

Osnove računarstva, strukture podataka, algoritmi, operativni sistemi, računarske mreže — pojavljuju se u svakom JD za tehničke pozicije, AI to nije promenio. Zato tekstualne cone i dalje moraš da naučiš, programiranje rukom i dalje moraš da vežbaš.

Na toj osnovi, AI Agent pravac zahteva posebnu pripremu na tri nivoa.

Prvi nivo, osnove razvoja LLM aplikacija

Prompt Engineering, RAG, Tool Calling — to su najosnovnije sposobnosti.

Najbrža putanja za upoznavanje je da povežeš DeepSeek API, iz nule izgradiš Agent backend servis koji podržava Function Calling, i provedeš kroz ceo proces zahteva, striming odgovora i poziva alata.

Ako nemaš ciljani projekat, možeš probati moj nedavno otvoreni PaiCLI — dostupan u Go, TypeScript i Python verzijama, kod je u potpunosti objavljen na GitHub-u.

Go verzija je završena jutros. Sve organe ima, sve je tu.

https://github.com/itwanger/paicli-go

Ne koristi gotove okvire, pošalji zahtev direktno preko HTTP klijenta, kako bi razumeo značenje svakog polja.

Poveži ovaj Agent sa tri alata: alatom za pretragu, sandbox-om za izvršavanje koda i alatom za čitanje/pisanje fajlova. Zatim ga nateraj da završi end-to-end zadatak, na primer „pretraži internet ko je Marko Marković".

Od sistemskog prompta, preko obrade rezultata poziva alata, upravljanja kontekstom višeturnusne konverzacije, obrade prekida izuzećaka, sprovedi kroz ceo proces i razumećeš 80% jezgre Agent mehanizma.

Drugi nivo, Agent projektna praksa

Na osnovu aplikativnog sloja izaberi jedan Agent projekat za duboku praksu, izgradi kompletnog Agent-a sa memorijom (kratkoročnom + dugoročnom), setom alata i sposobnošću višeturnusne konverzacije.

Ovaj nivo zahteva jasno razumevanje ReAct petlje.

ReAct je skraćenica od Reasoning + Acting, model zaključuje korak, izvrši korak, posmatra rezultat, zatim zaključuje sledeći korak, i tako u krug dok se zadatak ne završi ili ne dostigne maksimalan broj koraka. Claude Code, Codex, Qoder — jezgro ovih Agent proizvoda je ReAct.

MCP je trenutni industrijski standard za integraciju alata, rešava problem „kako Agent otkriva i poziva eksterne alate", podržava stdio i HTTP transmisione protokole.

Skills su u suštini set instrukcija koji se može ponovo koristiti, kao što su slike koje generišem za vas, sve radim kroz itwanger-image Skills u Codex-u.

Neću da krijem, ako vam bude trebalo, mogu i svoj Skill da objavim.

Treći nivo, napredni pravci

Multi-Agent saradnja, dizajn sistema sa više Agent-a, gde različiti Agent-i preuzimaju uloge planiranja, izvršenja i verifikacije, koordinirajući rad preko prosleđivanja poruka.

Konkretno, Plan-and-Execute je najčešći obrazac Multi-Agent orkestracije.

Agent planer nakon što dobije zadatak prvo ga razloži u korak-po-korak plan, zatim svaki korak dodeli Agent izvršiocu, a nakon izvršenja Agent recenzent proverava kvalitet rezultata. Tri Agent-a svaki održava nezavisan sistemski prompt i set alata, koordinirajući rad preko prosleđivanja konteksta.

Sub-agent mehanizam u Claude Code/Codex-u je tipična implementacija saradnje više Agent-a.

Šta je kontekstualni inženjering?

Zapamti ovu analogiju. Koju je dao zvezda AI kruga, Karpati: LLM je CPU, kontekstni prozor je memorija, a ti si operativni sistem. Šta radi operativni sistem? Odlučuje koji podaci se učitavaju u memoriju. Ma koliko jak CPU bio, ako je memorija puna smeća, i dalje ne može da izračuna tačan rezultat.

To je jezgro kontekstualnog inženjerstva: dati LLM-u dovoljno i dovoljno korisnih kontekstualnih informacija, ali nikako što više to bolje.

03. Kako napisati PaiCLI u rezimeu?

Go verzija ima samo 6 ključnih zavisnosti (Bubble Tea, Cobra, Glamour, Lipgloss, doublestar, go/ast), što je celokupno veoma lako. 17 ugrađenih alata, 8 LLM dobavljača, tri režima rezonovanja: ReAct + Plan-and-Execute + Multi-Agent — sve što treba da bude, tu je.

Pogledaj sada u odnosu na ByteDance-ova dva JD-a, PaiCLI pokriva sve.

  • Razvoj Agent sistema → PaiCLI je sam po sebi terminalski Agent
  • Multi-Agent saradnja → serijska orkestracija uloga planera, izvršioca i recenzenta, automatsko prosleđivanje konteksta
  • Agent memorija i baza znanja → trojni sistem memorije plus RAG pretraga koda, Go AST ekstraktuje semantičke blokove na nivou funkcije
  • Agent Skills → trojni mehanizam učitavanja Skill-a, ugrađeni, korisnički nivo i nivo projekta automatski se otkrivaju po direktorijumima
  • MCP integracija protokola → podržava stdio i HTTP dvostruki prenosni protokol, JSON-RPC petlja poruka obrađuje otkrivanje alata i udaljene pozive

Kod je potpuno otvoren, a pokretanje je jednostavno.

git clone https://github.com/itwanger/paicli-go.git
cd paicli-go
go run ./cmd/paicli doctor
go run ./cmd/paicli --once "zdravo, predstavi trenutni projekat"
go run ./cmd/paicli

Naziv projekta: PaiCLI-Go terminalski Agent CLI (2026.05 - 2026.07)

Opis projekta: Terminalski Agent komandna linija slična Claude Code (Go verzija), podržava ReAct, Plan-and-Execute, Multi-Agent, MCP, Skill, dugoročnu memoriju, RAG pretragu koda itd., može se u terminalu pokretati razvoj i debagovanje koda putem prirodnog jezika.

Tehnološki stek: Go 1.26, Bubble Tea, Cobra, net/http, encoding/json, go/ast

Ključne odgovornosti:

  • Na osnovu Bubble Tea okvira izgradićen događajima vođen terminal TUI, implementira striming tekstualni izlaz, panel statusa poziva alata, Markdown renderovanje, koristi Glamour i Lipgloss za uljepšavanje terminala
  • Implementirana ReAct petlja rezonovanja, podržava paralelno zakazivanje 17 ugrađenih alata (goroutine + semaphore kontrola granice paralelizma 4), ugrađena detekcija ponovljenih poziva sprečava beskonačnu petlju
  • Na osnovu OpenAI-compatible protokola implementiran sloj adaptacije više modela, objedinjuje striming interfejse za zaključivanje 8 dobavljača kao što su DeepSeek, GLM, Kimi, Step, Agnes, može automatski da prebaci model u skladu sa zadatkom
  • Implementiran MCP klijent, podržava stdio i HTTP dvostruki prenosni protokol, JSON-RPC petlja poruka obrađuje otkrivanje alata, udaljene pozive i čitanje resursa, 8MB bafer obrađuje velike odgovore
  • Dizajniran trojni mehanizam učitavanja Skill-a (ugrađeni, korisnički nivo, nivo projekta), podržava YAML frontmetadata parsiranje metapodataka i leno ubrizgavanje, sistemski prompt održava indeks Skill-a radi okidanja i podudaranja modela
  • Izgrađen RAG modul za pretragu koda, na osnovu Go AST ekstrahuje Chunks na nivou funkcije i graf Import odnosa, koristi vektor učestalosti tokena za ocenu kosinusne sličnosti, podudaranje putanje i podudaranje simbola ponderisano sa 0.4 odnosno 0.8
  • Izgrađena Multi-Agent orkestracija, planer generiše plan, izvršilac završava zadatak, recenzent proverava kvalitet, tri uloge izvršavaju se serijski i automatski prosleđuju kontekst

Adresa Go verzije repozitorijuma (TypeScript i Python verzije su takođe na GitHub-u):

https://github.com/itwanger/paicli-go

04. ending

U eri AI-ja, prilike i izazovi koegzistiraju.

Za nas programere, udar je najveći, to je van sumnje. Ali i prilike su najveće.

Jer smo mi prvi talas ljudi koji zaista ovladavaju vrhunskim modelima i vrhunskim Agent alatima.

Kao ja, ranije nisam pisao Go ni Python kod, ali me to nije sprečilo da napravim Go i Python verzije PaiCLI-ja.

Jer posedujem veštinu korišćenja Agent alata i inženjersku sposobnost borbe sa LLM-om.

Znam kako da ispravim greške, kako da vratim Agent-a na pravi put, kako da nateram da proizvede očekivani rezultat.

Često stvari nisu tako teške kako zamišljamo, sve što treba da uradimo je da praktikujemo, iskusimo, osetimo.

Vremenom ćeš otkriti da si i ti napredni inženjer za Agent-e.

Napred, braćo i sestre. Vidimo se u sledećem.