AI Framework Software Engineer – SGlang & Kernels

优缺点分析

角色解读

• 从AI框架工程师起步，成长为分布式系统或推理引擎专家
• 可在英特尔内部晋升为高级工程师、技术主管，或转型AI研究员
• 参与开源社区可提升个人技术影响力，拓宽职业发展空间
• 负责AI框架（如SGLang）的设计、开发与性能优化，并贡献代码到开源社区
• 实现分布式训练/推理算法，包括模型/数据并行、参数服务器等
• 分析深度学习模型性能瓶颈，提出优化方案并跨团队协作落地
• 针对不同硬件后端优化内核代码，与算法研究员紧密配合
• 精通现代C++和Python编程，具备扎实的代码能力
• 掌握深度学习理论基础，有一定实践经验
• 具备性能优化或高效内核开发经验者优先（熟悉PyTorch、vLLM、SGLang更佳）
• 英语流利，能进行专业沟通

申请策略

• 英特尔校招流程中，建议提前了解Intel的AI软件栈（如oneAPI）
• 准备时可以介绍一个完整的性能优化案例，展示分析问题和解决问题的能力
• 突出C++/Python项目经验，尤其是涉及性能调优、内核开发或深度学习框架的实践
• 展示对LLM、SGLang、vLLM等工具的了解或使用经验，体现技术热情
• 强调分布式系统、并行计算相关的科研或项目成果
• 体现英语能力，如发表英文论文或参加国际竞赛
• 熟练掌握PyTorch，并了解SGLang或vLLM的源码结构
• 学习CUDA或相关硬件加速技术，提升内核开发能力

面试指南

• 对于性能优化问题，使用STAR法则：情境-任务-行动-结果，强调量化和工具（如profiler）
• 对于原理性问题，先给出定义，再举例子，最后联系实际应用，体现深度理解
• 对于开放性问题，结构化表达：先拆解问题，再给优先级，最后提出取舍
• 请描述一次你如何分析并优化一段代码性能的经历
• C++中move语义和完美转发的区别及应用场景？
• 你对SGLang或vLLM了解多少？它们如何加速LLM推理？
• 解释Transformer模型结构及其计算瓶颈
• 如何设计一个分布式训练中的参数同步方案？