AI Compiler & Kernel Engineer

优缺点分析

角色解读

• 可从资深 IC 向 AI 编译器/推理优化技术专家发展，深耕 GPU/NPU 与全栈性能优化
• 积累跨模型、编译器、运行时和硬件的系统能力后，可承担技术负责人或架构师角色
• 在云端 AI 推理基础设施方向持续发展，机会覆盖芯片、平台和框架团队
• 负责高通 Cloud AI 平台上 AI kernel 与算子的开发、优化和落地
• 面向 LLM、MoE、多模态模型做云端推理性能、精度和内存优化
• 跨模型、编译器、运行时与硬件层定位瓶颈，提升端到端推理效率
• 与性能建模团队协作，建立 profiling、benchmark 和优化闭环
• 扎实的 C++/Python/Linux 开发能力，以及 AI 编译器或 kernel 开发经验
• 熟悉 MLIR、Triton、TVM 等编译器框架，理解图变换、算子融合、调度与代码生成
• 掌握并行计算与性能优化方法，如向量化、tiling、内存层次优化和工作负载调度
• 深入理解 Transformer、LLM、MoE 等模型结构及 Attention、GEMM、Softmax 等算子

申请策略

• 投递前确认具体工作城市与办公模式，JD 同时列出北京、上海和广东
• 了解高通 Cloud AI 平台及云端推理产品方向，在沟通中体现业务理解
• 突出 AI 编译器、kernel/算子开发和高性能计算项目，量化推理性能、内存或吞吐提升
• 明确写清 MLIR、Triton、TVM、C++、Python、Linux 等工具链经验
• 展示 LLM、MoE、Transformer 算子优化案例，如 Attention、FlashAttention、GEMM、Softmax 等
• 体现跨团队协作、技术方案设计和复杂项目交付经历
• 补强 MLIR/Triton 的图优化、算子 lowering、调度与代码生成实践
• 准备 GPU/NPU 等加速平台上的 profiling、benchmark 和性能调优案例

面试指南

• 用“背景-瓶颈-方案-结果”结构讲项目，突出指标变化和取舍
• 技术题先讲整体架构，再落到关键优化手段，最后说明验证方法
• 跨团队题强调目标对齐、分工、风险管理和最终交付
• 你做过哪些 AI kernel/算子优化？请说明性能提升和瓶颈定位过程
• 如何用 MLIR/Triton/TVM 实现一个 Transformer 算子的 lowering、融合与调度？
• 针对 LLM 推理中的 KV Cache 或 MoE routing，你会如何优化内存和吞吐？
• 请描述一次跨团队推动复杂性能优化项目落地的经历
• 如何做模型精度验证与性能回归，避免优化引入精度问题？