中科曙光
AI平台测试工程师（天津）(J13894)
AI平台测试工程师（天津）(J13894)
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公测试开发
测试开发
Ai测试
Api测试
Pytorch
Tensorflow
性能测试
测试开发
自动化测试
值不值得投
69综合评分
综合评分 69
聚焦AI平台质量保障的技术岗，技术栈前沿成长性强，但工作模式灵活性有限。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
2万
与测试开发中位数基本持平
发布情况
新岗位 · 3 天前发布
公司情况
这家公司招聘很活跃
约 320 个在招 · 其中测试开发 16 个
市场机会
选择不多
天津 · 测试开发 · 10 个在招
职位详情
关于这个职位
这是一个负责AI平台测试的质量保障工程师岗位，主要工作是保障从Notebook开发、模型训练到推理服务及API等AI核心功能的质量，设计并执行多维度测试方案，并探索利用AI技术提升测试效率
最低要求
本科及以上学历，计算机、人工智能、软件工程等相关专业
[3年以上]测试开发或相关工作经验
深入理解AI开发平台的核心组件与用户工作流，包括：
Notebook：Jupyter/Kernel管理、内核算力分配、文件系统挂载、环境管理与镜像构建
模型训练：单机训练、分布式训练（数据并行/模型并行）、训练作业生命周期管理、Checkpoint保存与恢复、训练监控与可视化（TensorBoard）
模型推理：推理服务部署、模型加载与预热、弹性伸缩、模型版本管理与灰度发布、推理延迟与吞吐量评估
模型API：RESTful/gRPC接口协议、流式SSE/WebSocket通信、OpenAI API兼容规范、限流/熔断/重试机制、鉴权与安全策略
了解常见AI框架（PyTorch/TensorFlow/JAX）及分布式通信后端（NCCL/RCCL）的基本原理
熟练掌握Python/Java/Go其中一种语言，具备独立开发自动化测试脚本、测试工具及框架的能力
熟悉常见的API测试工具（如Postman、pytest、httpx、grpcurl）及压测工具（如Locust、JMeter）
熟悉Linux操作系统，熟练使用Shell脚本及常用命令行工具，能够独立完成日志分析、性能监控与问题定位
熟悉Kubernetes核心资源对象及调度原理，理解GPU调度（NVIDIA Device Plugin/K8s Device Plugin）、存储卷挂载（PV/PVC）、网络策略等
具备在K8s环境下进行服务部署、配置管理、日志采集、故障排查与资源调优的实操经验
精通软件测试流程与测试设计方法，能独立完成测试计划、用例设计及复杂场景（并发、性能、兼容性）测试执行
具备AI辅助测试的实践能力：了解大语言模型（LLM）基本原理，有利用AI工具（如大模型生成测试用例、辅助缺陷分析、自动生成回归脚本等）的实际经验，或对AI测试有浓厚兴趣并愿意快速学习
工作职责
负责AI开发平台的全流程质量保障，覆盖Notebook交互式开发、模型训练（单机/分布式）、模型推理服务、模型API四大核心场景，设计并落地功能、性能、稳定性、兼容性、安全性等多维度测试方案
模型API测试： 负责模型开放API（如OpenAI风格Chat Completions API、Embeddings API等）的全方位测试，包括：
功能正确性：验证API接口的输入参数校验、流式/非流式响应格式、错误码返回、多模态输入支持等
协议兼容性：验证API与OpenAI API规范的兼容性，确保用户侧无需修改代码即可平滑接入
性能基准：测试API的RT（响应延迟）、QPS/TPM（吞吐量）、并发连接数上限及超时/限流/重试机制
可靠性验证：验证高并发下的熔断、降级、重试策略及后端模型引擎故障时的兜底逻辑
安全性测试：验证API Key鉴权、RBAC权限控制、内容安全过滤（有害内容拦截）、请求频率限制等
构建和维护AI平台专用测试数据集与评测体系，覆盖不同AI框架版本（PyTorch/TensorFlow/JAX）、不同异构硬件（GPU/CPU/昇腾）、不同分布式策略下的兼容性与基准性能测试
负责测试环境在Kubernetes集群上的部署与治理，深度利用K8s进行测试任务的并行调度、GPU资源分配与多租户隔离
执行复杂场景测试（高并发训练任务、资源抢占、优先级调度等），输出测试报告并推动问题闭环
利用AI技术（如大模型辅助用例生成、智能缺陷分析、自动化脚本生成）提升测试效率与覆盖度，探索AI在业务测试领域的落地实践
AI 洞察
优缺点分析
优点
- 技术前沿：直接接触和测试AI大模型、分布式训练、K8s调度等热门技术领域，技术积累价值高
- 领域聚焦：专注于AI平台这一垂直领域，能深入理解AI工作流，成为稀缺的复合型测试人才
- 公司平台：中科曙光在AI算力领域有深厚积累，能提供稳定的AI技术栈和项目实践机会
- 技术深度要求高：需同时掌握测试、AI、云原生（K8s）多领域知识，学习曲线较陡
- 环境复杂度：测试需覆盖多种异构硬件（GPU/昇腾）、框架和分布式策略，环境搭建与问题排查难度大
- 质量要求严：作为平台级测试，对稳定性、性能、兼容性要求极高，责任重
缺点 / 挑战
- 适合具备扎实测试开发基础，对AI平台技术（模型训练/推理/K8s）有强烈好奇心和学习热情，能承受技术复杂度挑战的工程师
角色解读
- 技术深耕：成为AI平台质量保障专家，在AI测试、性能优化、测试基础设施方向建立深厚积累
- 横向拓展：向测试架构师、质量效能负责人发展，负责更大范围的测试策略、平台和团队建设
- 纵向发展：转向AI平台的产品经理、研发工程师或技术管理岗位，利用测试视角更好地塑造产品
- 设计并执行针对AI平台（Notebook、模型训练、推理、API）的全链路、多维度测试，确保产品功能、性能、稳定与安全
- 深入测试模型API，验证其功能、协议兼容性、性能基准及安全策略，特别是OpenAI API的兼容性
- 搭建和维护基于Kubernetes的测试环境与专用数据集，执行复杂场景下的自动化测试与资源调度验证
- 探索并实践利用大模型等AI技术提升测试自动化水平与效率
- 扎实的测试理论与实践能力，精通测试设计、性能/接口测试方法及工具（Python, pytest, Locust）
- 深入理解AI平台技术栈，包括模型训练/推理流程、AI框架（PyTorch）及Kubernetes调度与资源管理
- 具备编写和维护自动化测试脚本与工具的能力，能够快速定位和分析复杂问题
- 对AI技术（特别是LLM）有实践或浓厚兴趣，愿意利用AI提升测试效能
申请策略
- 研究中科曙光在AI算力、智算中心方面的业务和产品，面试时展现你对业务的理解
- 准备一个你如何保证复杂分布式系统质量的故事，突出你的测试策略和问题解决能力
- 突出在AI/模型相关系统（训练、推理、服务）的测试经验，特别是性能测试、接口测试案例
- 详细描述使用Kubernetes进行测试环境管理、调度、资源隔离的实践项目
- 列举使用Python开发的测试工具、框架或自动化脚本，并说明其解决的实际问题
- 展示利用AI工具（如LLM）辅助测试工作的任何经验或探索性项目
- 系统学习AI平台技术栈：了解模型训练全流程、主流AI框架原理及Kubernetes核心概念
- 深入掌握性能测试与分析：学习针对分布式系统、GPU资源的性能测试方法与分析工具
面试指南
- 对于场景测试题（如API测试、K8s测试）：遵循‘测试目标 → 测试维度（功能/性能/可靠性/安全）→ 具体用例 → 执行与度量 → 问题跟踪’的框架结构化回答
- 对于工具/项目题：使用‘背景与目标 → 技术选型与架构 → 关键实现与难点 → 效果与收获’的结构，突出个人贡献和思考
- 对于设计类问题（如性能评估、AI辅助测试）：先明确评估指标和成功标准，再阐述具体方法、工具链和数据分析思路
- 请描述你会如何测试一个兼容OpenAI API规范的模型服务（Chat Completions API）？
- 如何设计一个测试方案，来验证在Kubernetes集群上，高并发模型训练任务下的GPU资源调度与隔离是否有效？
- 请介绍一个你开发过的最复杂的测试工具或框架，它解决了什么问题？技术难点是什么？
- 你如何评估和优化一个模型推理API的性能（如RT、QPS）？
- 如果让你将大语言模型引入测试流程，你会选择哪个环节切入，具体如何实施？
职位点评
薪资福利65
成长发展90
工作生活45
使命价值70
薪资福利
65中等
该职位提供有竞争力的薪资和稳定的企业平台，但JD中未明确提及具体福利项目。
薪资信号市场水准 (1.5千–2.5万/月)
成长发展
90较高
该职位要求深入AI平台、K8s等前沿技术栈，并探索AI在测试中的应用，技术成长性和挑战性都很高。
技术前沿前沿/新兴技术
技术栈Kubernetes、PyTorch、TensorFlow、AI测试、模型API、分布式训练、LLM
成长机会探索AI在业务测试领域的落地实践
业务类型profit_center
工作生活
45较低
职位明确要求现场办公，且工作内容涉及复杂的环境部署与测试，可能对工作时间灵活性有一定限制。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
岗位直接服务于AI平台的落地与质量提升，参与前沿AI技术的工程化，有明确的行业价值。
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
Watch Jobs