中科曙光
【2027】AI应用研发工程师-郑州(J14446)
【2027】AI应用研发工程师-郑州(J14446)
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Cuda
Gpu编程
Pytorch
Sglang
Vllm
大模型推理优化
值不值得投
73综合评分
综合评分 73
前沿AI基础设施岗，技术含量高，成长空间明确，适合深耕者。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
2万
与人工智能中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 470 个在招 · 其中人工智能 42 个
市场机会
选择适中
郑州 · 人工智能 · 20 个在招
职位详情
关于这个职位
这是中科曙光在郑州的AI应用研发岗，专注于大模型推理优化和工程化落地
你将参与vLLM、SGLang等主流推理框架的适配、部署与性能调优工作，分析推理链路瓶颈，解决显存占用、吞吐与稳定性等实际工程问题，将前沿AI技术转化为可靠的生产力工具
最低要求
硕士以上学历，计算机、人工智能、软件工程等相关专业优先
熟悉 C/C++ 或 Python，了解 PyTorch 或 Transformers 基础使用
熟悉 Linux、Docker，了解 Kubernetes 或容器化部署优先
理解主流大模型结构、推理流程、显存占用和 batch 机制
了解 CUDA、GPU 编程、并行计算或高性能计算基础
理解矩阵计算、Attention、MoE、量化等大模型核心计算模式
工作职责
参与 vLLM、SGLang、Transformers 等主流推理框架的版本升级、插件适配和镜像交付
支持模型上线、部署调参、压测验证和问题定位
分析 TTFT、TPOT、吞吐、显存占用和稳定性等推理性能瓶颈
参与 KV Cache、batching、并发调度、模型加载等关键链路优化
沉淀模型部署最佳实践、适配文档和问题解决方案
优先资格
参与 GEMM、Attention、MoE、量化/反量化等核心算子的性能分析与优化
分析 AllReduce、AllGather、All-to-All 等分布式通信开销
参与 kernel fusion、算子调度、编译优化和硬件特性适配
使用 profiler 工具定位 GPU kernel、显存访问、通信链路等性能瓶颈
配合框架和部署团队完成端到端性能优化验证
AI 洞察
优缺点分析
优点
- 接触AI基础设施层的核心技术，直接参与vLLM等前沿框架的适配，技术积累深入
- 工作成果（性能优化、部署方案）可直接量化为效率提升，成就感明确
- 中科曙光在AI算力领域有深厚积累，能提供扎实的工程实践平台和技术视野
- 大模型技术迭代迅速，需要持续跟进社区动态和技术发展
- 对AI推理引擎和高性能计算有浓厚兴趣，喜欢深挖底层原理、追求极致性能，且具备扎实编程与系统功底的计算机相关专业硕士及以上学历求职者
缺点 / 挑战
- 需要同时理解上层模型算法和底层硬件特性，跨领域知识融合挑战大
- 性能优化工作常涉及复杂系统和微观分析，可能面临较高的技术深度和调试难度
角色解读
- 技术专家路线：深入推理优化、高性能计算或AI编译器等细分领域，成为架构师或技术专家
- 解决方案路线：拓展至端到端AI平台、云服务或行业解决方案设计，承担更综合的技术职责
- 负责大模型推理框架（如vLLM）的工程适配、部署与交付，确保模型能稳定高效地运行
- 深入分析和解决模型推理过程中的性能瓶颈，如延迟、吞吐量、显存使用等问题
- 参与底层关键链路（如调度、缓存）的优化工作，并沉淀标准化的最佳实践文档
- 扎实的编程能力（C/C++或Python），并熟练使用PyTorch等深度学习框架
- 深入的Linux系统知识与容器化（Docker/K8s）部署运维能力
- 对GPU硬件、CUDA编程及大模型核心计算机制（如Attention、量化）有理论和实践理解
申请策略
- 研究中科曙光在AI服务器、智算中心方面的业务和产品，思考自身技能与之的结合点
- 面试时可准备一个关于系统性能分析与优化的具体案例，清晰阐述问题、方法和结果
- 重点突出使用过或研究过vLLM、SGLang、Transformers等推理框架的相关项目经验
- 详细描述参与过的性能优化、CUDA编程、或大规模分布式系统部署调试的案例与成果
- 展示对Linux系统、Docker/K8s以及GPU异构计算体系的理解和实践经验
- 系统学习CUDA编程和GPU架构，通过实战项目掌握Profiling工具（如Nsight）的使用
- 阅读vLLM等推理框架的源码，理解其核心设计如PagedAttention、连续批处理等
- 复习分布式计算和集合通信（如NCCL）的基础知识，了解大规模训练/推理中的通信模式
面试指南
- 性能问题类：采用“定义指标 -> 定位瓶颈 -> 提出方案 -> 验证效果”的结构化回答，结合具体工具和数据
- 原理机制类：结合自身理解，从算法设计、数据结构、系统实现等层面由浅入深地解释
- 方案设计类：先明确目标（性能、稳定性、成本），再分模块（资源、调度、监控）阐述设计思路
- 你如何理解大模型推理过程中的TTFT和TPOT指标？优化它们可以从哪些方面入手？
- 请描述一个你利用性能分析工具（如profiler）定位并解决某个性能瓶颈的具体经历
- vLLM等框架是如何通过PagedAttention机制来管理KV Cache、优化显存使用的？
- 在模型部署时，Docker和Kubernetes分别解决什么问题？如果让你设计一个GPU推理服务的容器化方案，你会考虑哪些要点？
- 你如何理解矩阵乘法（GEMM）在Transformer模型推理中的核心作用？
职位点评
薪资福利65
成长发展90
工作生活55
使命价值70
薪资福利
65中等
薪资估算处于郑州市场中上水平，具备一定竞争力，但JD未明确列出具体福利细节，补偿性吸引力中等。
薪资信号市场水准 (1.5千–2.5万/月)
成长发展
90较高
技术栈前沿（vLLM, GPU推理优化），工作直接深入AI基础设施核心环节，对专业技能提升和职业发展路径清晰，成长性极强。
技术前沿前沿/新兴技术
技术栈vLLM、SGLang、Transformers、PyTorch、CUDA、GPU编程、Docker、Kubernetes
业务类型ambiguous
工作生活
55较低
工作模式未明确说明，岗位性质涉及性能优化与问题定位，存在一定工作强度的可能性，生活化动机满足程度一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
作为AI技术栈的工程师，为提升计算效率和推动技术落地做出贡献，具有中等偏上的行业价值感和社会影响力。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
中科曙光 的其他在招职位
相似职位推荐
Watch Jobs