中/高级嵌入式工程师（NN编译）

优缺点分析

角色解读

• 技术纵深发展：成为NN编译和AI芯片协同优化领域专家，主导芯片架构设计
• 横向扩展：从编译器转向AI芯片全栈设计，或向AI框架开发、系统架构师发展
• 管理路径：带领编译器优化团队，负责项目规划和技术决策
• 负责大模型在嵌入式设备上的部署和优化，包括算子优化、KV Cache等关键技术的实现
• 设计NN编译器的核心技术模块，如图优化、算子融合、后端指令生成和内存分配
• 与硬件团队协同定义NPU/VPU指令集，参与芯片性能验证，实现软硬件协同优化
• 精通C++和Python，熟练使用TVM、MLIR、XLA等编译器框架
• 深入理解NPU/VPU架构和计算特性，具备芯片软硬件协同优化经验
• 熟悉主流AI推理框架如PyTorch、TensorFlow、ONNX，了解大模型推理特点

申请策略

• 提前了解大疆的芯片产品线（如RoboMaster、智能驾驶芯片），在面试中展现对业务场景的理解
• 准备一个完整的编译器优化案例，从问题定义、方案设计到效果对比，体现系统性思维
• 重点突出编译器相关项目经验，特别是TVM/MLIR/XLA的实际使用和二次开发
• 强调软硬件协同优化案例，如指令集设计、性能调优、芯片验证等
• 展示对AI推理框架（PyTorch/TensorFlow）的深入理解和优化经验
• 系统学习NPU/VPU架构原理，了解常见AI加速器设计
• 研读TVM/MLIR源码，尝试贡献社区或复现论文中的优化方法
• 了解大模型推理框架（如vLLM、TensorRT-LLM）的编译优化思路

面试指南

• 对于技术原理题：先给出定义和核心思想，然后结合自身经验举例，最后总结优化效果
• 对于项目经验题：使用STAR法则（情境、任务、行动、结果），突出技术难点和你的贡献
• 对于设计题：明确约束条件，提出多种方案并对比优劣，展示权衡思维
• 请解释TVM中图优化和算子融合的原理，并举例说明如何针对NPU优化？
• 如何设计一个高效的KV Cache管理方案来减少大模型推理的显存占用？
• 描述你在软硬件协同优化中的一个具体项目，遇到了哪些挑战如何解决？
• MLIR的dialect机制如何帮助实现多级IR转换？请结合NPU指令生成说明
• 从编译和架构角度，如何平衡算子的灵活性和硬件执行效率？