专家研发工程师

优缺点分析

角色解读

• 在技术深度上成为机器学习基础架构领域的专家，主导核心框架设计与演进
• 横向拓展至数据平台、大数据计算等关联领域，发展为技术负责人或架构师
• 管理方向：带领团队负责平台建设，晋升为技术Leader或部门总监
• 开发和优化滴滴公司级的模型训练和推理框架，涉及大规模分布式系统性能调优
• 建设机器学习平台的训推一体、数据链路闭环等基础能力，提升平台稳定性和效率
• 与算法团队合作，进行算法与系统的联合优化，推动落地实践
• 深度掌握Java语言底层机制及高性能编程，同时熟悉C++/Python/Go等语言
• 熟悉TensorFlow/PyTorch等主流AI框架，具备Triton Inference Server推理部署经验
• 有LLM训练/推理工程经验或Agent、Harness Engineering实践者优先

申请策略

• 提前了解滴滴机器学习平台业务场景，思考如何优化现有框架
• 准备一个在性能或架构方面的深度技术案例，展示系统级思考
• 突出Java底层性能优化经验，如JVM调优、并发编程、内存管理等具体案例
• 重点展示AI框架部署和调优项目，特别是TensorFlow/PyTorch推理服务性能优化
• 强调LLM或Agent相关工程经历，以及大规模分布式系统的架构设计
• 补充Triton Inference Server等推理服务框架的实战经验
• 深入了解LLM推理优化技术（如vLLM、TensorRT-LLM）

面试指南

• STAR法则：描述场景、任务、行动、结果，突出量化和影响
• 技术选型对比：阐述为什么选择某种方案，权衡利弊
• 问题解决思路：面对失败或性能瓶颈的排查与优化方法论
• 请描述你负责过的一个高性能Java系统，如何进行性能优化？
• 如何设计一个支持大规模模型训练的分布式训练框架？
• 你在TensorFlow/PyTorch推理部署中遇到过哪些挑战？如何解决？
• 谈谈对LLM推理优化的理解，比如kv cache、continuous batching等
• 如何与算法团队协作推动模型上线？遇到过哪些配合问题？