企业微信-高级研发工程师-大模型推理框架（成都/北京）

优缺点分析

角色解读

• 技术专家路线：深耕大模型推理与系统性能优化领域，成为公司内部的技术权威
• 架构师路线：负责更复杂的AI基础架构或平台的整体设计与演进
• 技术管理路线：带领小团队，负责特定方向的技术攻坚和项目交付
• 负责核心大模型推理引擎的研发与性能优化，直接影响AI服务的响应速度和成本
• 设计和优化分布式推理调度系统，解决大规模模型服务的稳定性和效率问题
• 深入底层，适配和优化推理系统以在不同型号的GPU和AI芯片上运行
• 分析主流模型架构，并针对性地进行推理流程优化
• 扎实的C++/Python工程能力和高性能系统开发经验
• 深入理解主流大模型推理框架（如vLLM, TensorRT-LLM）的原理和实现
• 精通分布式系统设计与并行计算策略（数据并行、流水线并行等）
• 具备GPU体系结构、算子优化及系统级性能分析与调优能力

申请策略

• 深入研究微信事业群的技术博客或相关技术分享，了解其技术栈和关注方向
• 面试时准备好具体的技术方案和优化案例，能够清晰阐述你的解决思路和技术细节
• 重点突出使用C++/Python进行高性能系统开发、调优的项目经验
• 详细描述使用或二次开发过vLLM、TensorRT-LLM等推理框架的经历和成果
• 量化展示你在分布式系统、GPU集群调度或性能优化项目中取得的具体收益（如吞吐提升、延迟降低）
• 列举对CUDA编程、GPU架构、并行计算（如NCCL）或RDMA网络等底层技术的掌握情况
• 系统学习并实操vLLM、TensorRT-LLM等框架的源码，理解其调度和优化逻辑
• 深入学习现代GPU（如NVIDIA Hopper架构）的特性，以及相关的通信库（如NCCL）

面试指南

• 针对技术深度问题（如框架、架构）：采用“背景-问题-方案-结果-反思”的结构，突出你的技术理解深度和解决问题的能力
• 针对开放设计问题：从需求分析、技术选型、核心挑战、权衡取舍等方面系统阐述你的设计方案
• 针对个人经验问题：使用STAR法则（情境、任务、行动、结果），重点强调“行动”中的技术决策和具体实现
• 请介绍一个你过去做过的最具挑战性的性能优化项目，你的具体贡献和优化思路是什么？
• 你熟悉vLLM或TensorRT-LLM吗？它们的核心调度机制是怎样的？有什么可以优化的点？
• 如果要支持多种异构的AI芯片（如不同厂商的GPU），在架构设计上需要考虑哪些核心问题？
• 如何评估一个大模型推理系统的整体效率？你会关注哪些关键性能指标？
• 复习C++/Python的高级特性和性能优化技巧，准备白板编码或伪代码编写