云网络AI研发工程师-基础设施

优缺点分析

角色解读

• 在云网络+AI方向深耕，成为网络AI架构专家或技术负责人
• 横向拓展到更广泛的基础设施领域，如计算、存储，或转向AI系统架构
• 在字节跳动内部可晋升为高级工程师、技术专家或团队Leader
• 设计并开发云网络AI产品的转发面和控制面，涉及高性能网络、SDN控制器和分布式系统
• 探索大模型训练/推理场景下的网络优化方案，推动云网络与AI技术的融合
• 参与网络虚拟化、软硬件结合以及新技术预研，解决超大规模租户的网络需求
• 扎实的网络协议基础，精通TCP/IP及常用网络故障排查与性能调优
• 熟练掌握Go、C或C++至少一种编程语言，具备两年以上后端开发经验
• 对AI推理框架（如vLLM）和网络优化有了解，具备学习新技术的能力
• 分布式系统设计能力，能够从0到1推动项目落地

申请策略

• 提前了解字节跳动云网络产品（如私网连接、负载均衡）和AI基础设施动态，面试中展现行业认知
• 准备好系统设计题，尤其是分布式网络控制器或高性能网关的设计方案
• 突出网络编程和故障排查经验，例如TCP/IP优化、DPDK/eBPF等高性能网络项目
• 展示AI相关经验，哪怕只是模型推理或AI框架的使用，也要体现对AI的理解
• 强调从0到1的项目经历和系统架构设计能力，尤其是分布式系统
• 补齐AI推理框架（vLLM、SGLang）的基本用法和原理，了解AI训练/推理网络拓扑
• 学习SDN、NFV、网络虚拟化概念，掌握如Open vSwitch、Kubernetes网络方案

面试指南

• 对于系统设计题，先明确需求和约束，再分模块（控制面、数据面、分布式一致性等）逐步展开，最后讨论扩展性和容错
• 网络优化问题从瓶颈分析入手（带宽、延迟、丢包），再结合具体技术（如RDMA、拥塞控制、拓扑优化）提出方案
• 展现对AI工作负载的理解，将网络特点（All-to-All通信、梯度同步等）与系统设计结合
• 请设计一个支持大规模租户的SDN控制器，需要考虑哪些关键点？
• 如何优化大模型训练时的网络通信，减少通信开销？
• 在vLLM推理引擎中，请求路由和分发是如何实现的？请设计一个改进方案
• 谈谈你对DPDK和eBPF的理解，它们分别适用于什么场景？
• 复习TCP/IP协议栈、Linux网络栈、DPDK、eBPF等底层技术