【2027】算力优化师（AI方向）-天津(J14221)

优缺点分析

角色解读

• 技术专家路线：从性能测试执行者成长为AI性能优化专家，深入掌握GPU计算、模型编译优化、算子性能分析等高阶技能
• 技术管理路线：在积累深厚技术后，可负责性能优化团队或测试平台的建设与管理
• 扩展至相关领域：可向AI系统架构、AI平台开发或更广泛的性能工程（如云原生性能、分布式系统性能）方向拓展
• 设计和执行AI模型在算力平台上的性能基准测试（Benchmark），量化模型推理速度（TTFT/TPOT）、吞吐量和显存占用等核心指标
• 建设和维护性能测试的自动化流水线（CI/CD），实现版本迭代中的自动化性能回归测试
• 深入分析性能数据，定位模型、框架或硬件层面的性能瓶颈，并跟踪解决相关问题
• 沉淀性能问题、根因和解决方案，维护知识库，并推动形成标准化的性能测试与发布流程
• 扎实的Linux和Python编程能力，能够进行脚本开发和数据分析
• 对性能测试概念、自动化测试工具（如pytest）和CI/CD流程有基础理解
• 对AI大模型推理流程、GPU硬件、容器化技术（Docker/Kubernetes）有浓厚兴趣和学习意愿
• 具备严谨的逻辑思维、细致的问题分析能力和良好的文档编写习惯

申请策略

• 研究中科曙光的产品线（如曙光服务器、智算中心）和其在AI算力领域的定位，思考该岗位如何支持其业务
• 简历和面试中，可以表现出对“用技术手段解决实际性能问题”这一过程的热情，而不仅仅是罗列技能
• 重点突出与Linux、Python编程相关的课程项目、实验或实习经历，尤其是涉及脚本编写、数据处理的部分
• 如有任何软件测试、性能分析、CI/CD实践（哪怕是课程大作业）或参与开源项目的经历，务必详细描述
• 在项目经验中体现自己对性能指标的关注，例如如何优化程序运行时间、减少内存占用等
• 强调逻辑思维、文档能力，可展示清晰的技术报告、问题分析文档或规范的代码注释
• 提前学习并尝试使用pytest、Jenkins等测试与CI工具，完成一些简单的自动化测试脚本练习
• 阅读关于大模型推理优化（如vLLM、TGI）和GPU性能监控（如nvidia-smi、DCGM）的入门资料，建立基本概念

面试指南

• 对于技术经验类问题（如Python项目），使用STAR法则（情境、任务、行动、结果）进行结构化回答，重点突出你的行动和带来的量化结果
• 对于概念理解类问题（如性能测试），先给出清晰定义，再举例说明，并与相关概念进行对比
• 对于分析排查类问题，采用结构化思维，从上到下或从整体到局部（如软件层、框架层、硬件层）进行系统性分析
• 对于动机类问题，结合个人兴趣（如对系统底层的好奇）、技能匹配度（如喜欢分析数据）和职业认知（如算力是AI基础）来阐述
• 请描述一个你使用Python或Shell脚本分析或处理数据的项目经验
• 你如何理解软件测试中的‘性能测试’？它与功能测试有何不同？
• 你对‘TTFT’（首Token时间）和‘TPOT’（每Token生成时间）这两个指标有什么了解？
• 如果发现一个AI模型的推理吞吐量低于预期，你会从哪些方面去分析和排查？