AI服务端架构师-剪映CapCut（广州/深圳）

优缺点分析

角色解读

• 纵向深耕AI Infra领域，向首席架构师或AI基础设施专家演进
• 横向拓展至大模型训练平台、云原生AI计算或企业级算力调度方向
• 积累核心技术壁垒后，可向技术管理或业务线负责人角色转型
• 负责剪映AI算法模型的工程化部署与推理性能调优，落地行业加速方案
• 搭建并维护GPU资源调度管理系统，实现多平台算力资源的统一管控
• 协同基础设施团队进行集群级优化，提升整体GPU利用率与系统稳定性
• 精通C++/Golang，具备扎实的数据结构、算法与高并发编程能力
• 掌握主流深度学习框架，熟悉大模型推理加速工具链与性能调优原理
• 拥有大规模服务端架构设计与分布式系统运维实战经验

申请策略

• 提前调研剪映产品矩阵与AIGC功能演进路线，准备1-2个贴合业务的技术方案供面试探讨
• 关注字节跳动技术博客与开源社区动态，展现对团队技术文化的契合度
• 突出大规模服务架构设计案例，量化展示QPS/TPS提升或延迟降低的具体数据
• 详细列出GPU资源调度或推理加速项目的完整链路，强调瓶颈定位与解决方案
• 明确标注C++/Golang高并发场景下的内存管理、锁机制优化等硬核技能
• 深入研读VLLM/TensorRT-LLM源码，掌握算子融合、显存优化与流水线并行原理
• 补充云原生与Kubernetes在AI Infra中的编排实践，熟悉容器化GPU资源隔离技术
• 强化分布式系统一致性协议与高可用架构设计方法论的系统性学习

面试指南

• 采用STAR法则结构化表达：先阐明业务背景与核心指标，再分层说明技术选型、架构设计、难点突破与量化收益
• 针对系统设计类问题，遵循“需求澄清→核心组件拆解→数据流与控制流设计→容灾与监控→扩展性考量”的逻辑链条
• 针对优化类问题，坚持“测量先行→定位瓶颈→多维度假设验证→灰度发布与效果复盘”的工程闭环思维
• 如何设计一个支持多模型并发推理的高可用GPU调度系统？
• 针对LLM推理延迟高的问题，你通常会从哪些维度进行系统性优化？
• C++/Golang在高并发场景下如何处理内存泄漏、GC停顿与锁竞争？
• 当业务方要求快速上线新模型，而现有Infra资源不足时，你会如何权衡与推进？
• 复习操作系统、网络协议与分布式系统核心原理，确保底层知识无盲区