GenAI Software Engineer

优缺点分析

角色解读

• 在GenAI和边缘AI领域深耕，成为LLM推理优化专家，可晋升为高级工程师或技术主管
• 横向拓展至AI研究、系统架构或跨团队技术领导角色，参与更大规模的AI产品落地
• 借助Qualcomm平台，接触前沿AI硬件和软件栈，积累半导体行业经验，未来可转向AI芯片或系统设计方向
• 设计并开发AI工具和软件，优化量化神经网络在Qualcomm硬件（CPU/NPU/GPU）上的性能，包括速度、延迟、内存和功耗
• 使用QNN SDK工具链将AI模型部署到设备上，并开发调试和性能分析工具
• 构建自动化测试套件，与跨功能团队协作，分析测试结果并提供改进反馈
• 精通Python和C/C++，具备扎实的软件设计和调试能力
• 深入理解深度学习框架（如PyTorch），熟悉LLM推理优化（如vLLM、SGLang）和计算图优化技术
• 有算子/内核级优化经验，包括注意力机制、矩阵乘法、KV缓存等，以及CI/CD流水线实践经验

申请策略

• 建议提前了解Qualcomm的AI research方向和产品（如Snapdragon平台的AI能力），在面试中展示对公司的热情
• 准备好能体现跨团队协作和技术领导力的项目案例，尤其是解决复杂性能问题的经验
• 突出LLM推理引擎优化经验（如vLLM、SGLang），展示具体的性能提升数据（如延迟降低、吞吐量提升）
• 强调Python和C/C++的项目经验，特别是涉及系统级优化和调试的成果
• 列出深度学习部署经验，包括模型量化、硬件适配（CPU/NPU/GPU）和CI/CD实践
• 系统学习LLM计算图优化技术，如图融合、内存优化和调度策略
• 熟悉Qualcomm QNN SDK或类似硬件SDK（如NVIDIA TensorRT），练习模型在移动设备上的部署
• 实践AI编码助手（如Claude code、Cursor）以提升开发效率

面试指南

• 采用STAR法则（情境-任务-行动-结果）结构化回答，强调技术细节和可量化成果
• 对于优化类问题，从问题分析、方案设计、实施步骤和效果验证四个层面展开
• 遇到不熟悉的问题，可以坦诚说明，然后展示自己的学习方法和思考框架
• 请详细描述你曾经优化LLM推理引擎的案例，包括使用的技术、遇到的问题和最终效果
• 如何针对移动端芯片（如Qualcomm NPU）优化深度学习模型？请举例说明调优过程
• 解释大语言模型中的计算图优化技术，比如图融合和内存优化，并说明它们对性能的影响
• 在CI/CD流水线中如何集成模型部署和性能测试？请描述你的设计与实现
• 你对量化神经网络的理解是什么？在硬件部署中如何平衡精度和性能？