米哈游
AI Infra 系统工程师 - Varsapura
AI Infra 系统工程师 - Varsapura
发布于 大约 12 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
分布式系统
PyTorch
GPU集群
Megatron-LM
DeepSpeed
vLLM
AI 估算 · 35k–60k
AI Infra 高级工程师，上海大厂，技能稀缺，月薪区间合理
职位详情
关于这个职位
该职位负责米哈游大模型训练与推理基础设施的设计与优化，涵盖分布式训练、在线推理服务、平台化建设及底层系统优化
你将参与支撑游戏AI场景（如智能NPC、AI叙事）的核心系统研发，与算法、产品团队紧密协作
适合具备分布式系统或AI Infra经验、追求技术深度的工程师
最低要求
）本科及以上学历，计算机科学、软件工程、人工智能、分布式系统或相关专业
）3 年以上基础设施、后端平台、分布式系统或 AI Infra 相关研发经验，有大规模训练平台、在线推理服务或高性能系统建设经验
）熟悉 Python、C++、Golang、Java 中的一种或多种，具备扎实的工程实现能力和良好的代码质量意识
）熟悉分布式系统基本原理，理解调度、存储、网络、容错、服务治理等关键问题，具备复杂系统设计、调试与优化能力
）熟悉主流深度学习训练/推理生态及相关工具链，如 PyTorch、DeepSpeed、Megatron-LM、vLLM、SGLang、Triton、Ray 等，有实际使用或优化经验
）了解大模型训练与推理中的核心技术问题，包括并行策略、混合精度、Checkpoint、KV Cache、Continuous Batching、量化、推理调度等
）具备良好的问题分析能力与跨团队协作能力，能够推动算法、平台、产品、运维等多方协同完成复杂系统落地
工作职责
）训练与推理基础设施建设：负责公司大模型相关训练与推理基础设施的设计、开发与优化，支撑游戏内容生成、角色扮演、智能 NPC、AI 叙事、AI 玩法等业务场景下的模型研发与线上服务
）分布式训练系统研发：参与大模型训练平台与训练框架建设，支持预训练、后训练、微调等任务的高效运行，持续优化分布式训练效率、资源利用率、稳定性和成本，覆盖数据并行、张量并行、流水并行、MoE 等能力
）在线推理服务优化：负责 LLM / AIGC 在线推理服务平台的架构设计与性能优化，提升推理链路在吞吐、时延、扩展性和稳定性上的表现，支持动态批处理、KV Cache 管理、量化推理、多模型部署与流量调度
）平台化能力建设：建设面向模型研发与生产部署的一体化平台能力，包括任务提交、资源调度、实验管理、模型发布、版本管理、可观测性、自动化评测、灰度发布和故障恢复等
）底层系统优化：围绕 GPU 集群、网络、存储、容器与调度系统开展底层优化工作，定位训练或推理中的性能瓶颈，持续提升计算效率、通信效率、数据读写效率和整体系统可靠性
）稳定性与可观测性建设：建设训练与推理全链路的监控、日志、Tracing、告警与诊断体系，提升复杂 AI 系统的可观测性与问题定位效率，保障核心服务高可用与高可靠运行
）新技术研究与落地：持续跟踪训练与推理基础设施方向的前沿技术，包括分布式训练优化、推理加速、长上下文支持、MoE 系统、量化、Speculative Decoding、Serving 框架等，并结合业务需求进行验证与落地
优先资格
）有大模型训练平台、在线推理平台、AIGC 服务平台或 GPU 集群相关项目经验
）熟悉 Megatron、DeepSpeed、FSDP、MoE、FlashAttention、PagedAttention、Speculative Decoding、量化推理等技术
）有 CUDA Kernel、Triton Kernel、算子开发、性能 Profiling 与优化经验
）熟悉 Kubernetes、Docker、Terraform、Prometheus、Grafana、ELK、Jaeger 等云原生与可观测性工具
）有 RDMA、NCCL、InfiniBand、高性能存储、分布式文件系统或大规模数据 pipeline 优化经验
）有 LLM Serving、流量调度、灰度发布、SLA/SLO 设计与线上稳定性建设经验
）有游戏行业、AIGC 产品或 AI Native 应用相关经验，理解业务对训练与推理基础设施的性能、稳定性和成本要求
AI 洞察
优缺点分析
优点
- 接触前沿的大模型训练与推理技术，技术成长快
- 米哈游作为头部游戏公司，AI 投入大，项目资源充足
- 岗位涉及全栈系统优化，技能积累全面
- 技术复杂度高，需要不断学习新技术（如 MoE、FlashAttention）
- 工作强度可能较大，尤其在大模型训练和线上服务稳定性保障方面
- 跨团队协作频繁，需要良好的沟通能力
缺点 / 挑战
- 适合对 AI 基础设施有热情、喜欢解决高性能计算挑战、渴望在技术前沿深耕的工程师
角色解读
- 技术深度：从 AI Infra 工程师向分布式系统架构师或 AI 平台架构师发展
- 业务广度：深入理解游戏 AI 业务，可转型为 AI 产品技术负责人
- 管理方向：带领团队负责 AI 基础设施的规划与建设
- 设计并优化大模型训练与推理基础设施，支撑游戏 AI 场景
- 研发分布式训练系统，提升训练效率与稳定性
- 优化在线推理服务，降低时延、提高吞吐
- 建设平台化工具链，提升模型研发与部署效率
- 扎实的分布式系统知识，熟悉调度、存储、网络等
- 精通 Python/C++/Golang 之一，具备高性能系统开发能力
- 熟悉主流深度学习框架及分布式训练工具（PyTorch、DeepSpeed 等）
- 了解大模型训练推理核心优化技术（并行策略、KV Cache、量化等）
申请策略
- 了解米哈游的游戏 AI 产品方向（如《原神》中的智能 NPC），在面试中展示业务理解
- 准备一个端到端的训练或推理优化案例，体现问题分析与解决能力
- 突出分布式系统或 AI 平台相关项目经验，尤其是大规模 GPU 集群
- 详细描述使用 DeepSpeed、Megatron 等框架的优化案例
- 强调性能调优（Profiling、CUDA Kernel）和稳定性建设经验
- 补充学习 vLLM、FlashAttention、PagedAttention 等最新推理优化技术
- 加强 Kubernetes、Prometheus 等云原生与可观测性工具的使用
面试指南
- STAR 法则：描述情境、任务、行动、结果，突出技术决策和量化收益
- 问题分析框架：先分析瓶颈（计算、通信、IO），再提出针对性优化方案，最后验证效果
- 设计考量框架：从功能、性能、扩展性、成本、可维护性等多角度回答系统设计问题
- 请介绍一个你参与的大模型训练平台项目，你负责哪些模块？如何优化训练效率？
- 如何设计一个高吞吐低时延的 LLM 在线推理系统？
- 分布式训练中常用的并行策略有哪些？它们分别解决什么问题？
- 你有过 GPU 集群性能调优的经验吗？请举例说明
- 如何保证线上推理服务的稳定性？监控和告警体系如何搭建？
匹配度报告
65
综合匹配度
大厂AI基础设施前沿岗，技术成长极高，但工作强度大，WLB一般。
适合人群
适合极度追求技术成长、能接受高强度工作的工程师，不太适合追求工作生活平衡的人。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展95
工作生活40
使命价值60
薪资福利匹配
65中等
JD未明确薪资和福利，但米哈游作为大厂通常提供有竞争力的薪酬，不过该岗位对薪资的明确性不足，补偿性动机满足程度一般。
薪资信号未披露（AI估算：35K-60K/月）
成长发展匹配
95较高
岗位涉及大模型训练推理前沿技术，成长空间极大，技能积累丰富，发展性动机满足程度很高。
技术前沿前沿/新兴技术
技术栈分布式训练、推理优化、GPU集群、PyTorch、DeepSpeed、Megatron-LM、vLLM
业务类型cost_center
工作生活匹配
40较低
JD未提及远程或弹性工作，且大厂AI岗位通常工作强度较高，生活化动机满足程度较低。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
60中等
游戏AI基础设施对社会影响力有限，但公司业务创新性强，意义感动机满足程度中等。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs