云平台开发工程师，计算资源调度

优缺点分析

角色解读

• 技术专家路线：深耕调度系统、GPU虚拟化或AI编译器领域，成为特定方向的技术权威
• 架构师路线：负责设计大规模、高可用的AI计算平台整体架构，统筹技术选型与演进
• 技术管理路线：带领团队负责某个子模块或产品方向的研发，兼顾技术深度与团队管理
• 设计和开发云原生环境下的计算资源调度系统，确保其在多云和混合架构中高效运行
• 针对GPU等异构硬件进行性能分析与优化，以提升AI模型训练和推理的整体效率
• 参与前沿AI引擎（lightx2v）的底层开发，并为顶级客户提供技术落地支持
• 探索并解决在国产计算芯片上运行AI工作负载时遇到的算子兼容性和性能问题
• 精通至少一门系统级编程语言（Go/C/C++），并具备扎实的算法和数据结构功底
• 深入理解Kubernetes容器编排技术，以及Linux系统底层原理和网络协议
• 熟悉主流深度学习框架（如PyTorch）和GPU体系结构，了解分布式训练技术
• 具备AI辅助编程工具（如Cursor、Claude Code）的实践应用能力

申请策略

• 仔细研究商汤的大模型基础设施、SenseCore平台以及相关的技术博客，理解其技术栈和面临的挑战
• 在面试中，尝试将过往的系统开发经验与本岗位需求（如资源调度、性能优化）进行关联性阐述
• 准备一些关于云原生、异构计算发展趋势的思考，展现你对技术方向的洞察力
• 突出在Kubernetes、容器化、云平台或资源调度方面的实际开发项目经验
• 重点展示使用Golang/C++进行高性能、高并发系统开发的经历，以及对Linux内核/网络协议的理解
• 列举使用GPU进行训练或推理加速的优化案例，或参与分布式训练框架（如NCCL）的实践经验
• 如有使用AI辅助编程工具提升研发效率的案例，可简要说明以体现对新工具的拥抱能力
• 系统复习和深入Kubernetes的调度器（kube-scheduler）原理，以及YARN等资源管理框架的设计思想

面试指南

• 回答系统设计类问题时，采用“背景-目标-方案-挑战-优化”的结构，重点突出你的技术决策和量化成果
• 回答技术原理类问题时，先阐述概念，再结合具体场景说明其应用和取舍，体现理论联系实际的能力
• 回答工具使用类问题时，坦诚说明其价值（如提升效率），同时强调批判性思维和人工审查的重要性
• 请描述一个你设计或参与开发的高并发/分布式系统的架构，遇到了哪些技术挑战，你是如何解决的？
• 如果你负责设计一个多云环境下的Kubernetes资源调度器，你会考虑哪些关键因素和设计原则？
• 在GPU集群上进行大规模模型训练时，通常会遇到哪些性能瓶颈？你了解或实践过哪些优化方法？
• 请解释一下什么是MPI Allreduce和Parameter Server，它们在分布式训练中各有什么优缺点？
• 你如何看待AI辅助编程工具（如Copilot）在研发中的作用？它对你编写高质量代码有何影响？