机器学习平台研发工程师（深圳/北京/上海）

优缺点分析

角色解读

• 技术专家路线：深耕AI基础设施领域，成为MaaS平台、云原生或高性能计算方向的资深技术专家
• 架构师路线：负责更复杂的系统架构设计，解决跨业务线的技术难题，影响更大范围的技术决策
• 技术管理路线：在积累深厚技术功底后，可转向团队管理，带领团队进行技术攻坚和平台建设
• 负责构建和维护服务于公司内部海量业务的大模型部署与调用平台（MaaS），确保平台的高可用和高性能
• 设计并实现模型的一键部署能力，适配不同的AI芯片、推理框架和部署场景，提升平台易用性
• 参与平台架构的持续优化，响应业务需求，并与跨团队协作，推动平台技术演进
• 需要扎实的后端工程能力，精通至少一门主流语言（Java/Golang/Python），并熟悉云原生技术栈（K8s、Docker）
• 必须具备分布式系统实战经验，掌握微服务、消息队列等核心技术，以应对高并发场景
• 需要了解机器学习/大模型推理流程，并熟悉至少一种主流的深度学习或推理加速框架（如PyTorch、VLLM）
• 要求具备优秀的架构设计思维和问题定位能力，能独立推进项目并高效跨团队协作

申请策略

• 研究腾讯的AI平台产品（如TI平台）和相关技术博客，面试时能体现你对业务和技术的理解
• 在面试中清晰阐述你对‘平台化’、‘易用性’和‘可扩展性’的理解，这与岗位职责高度相关
• 重点突出与‘大规模分布式系统’、‘高并发’、‘云原生(K8s/Docker)’相关的项目经验，尤其是涉及服务治理、API网关或算力调度的部分
• 详细描述参与过的‘AI平台’、‘MaaS’或任何与模型部署、推理相关的研发项目，明确你在其中的技术贡献
• 用具体数据或成果量化你的工作，例如系统QPS提升、部署效率提高、资源成本降低等
• 系统性学习云原生技术栈，特别是Kubernetes的深度原理和生态工具，并动手实践部署复杂应用
• 深入研究一个主流推理加速框架（如VLLM或SGLang）或大模型部署方案，了解其原理和优化点

面试指南

• 采用STAR法则（情境、任务、行动、结果）来组织项目经验的回答，突出技术决策和量化成果
• 对于系统设计题，从需求分析入手，逐步展开架构图（核心模块、数据流、通信方式），并主动讨论可能的难点和扩展性
• 对于原理和排查题，展现系统化的思考过程：先界定问题范围，再根据理论知识和工具经验提出分层排查假设，最后说明验证和解决思路
• 请介绍一个你过去负责的、架构复杂的分布式系统项目，遇到了哪些关键的技术挑战？你是如何解决的？
• 如何设计一个支持多团队、多场景、多硬件（异构卡）的模型一键部署平台？请描述你的架构思路
• 在高并发、高可用的系统要求下，你的服务/接口通常会如何设计？有哪些关键的设计模式和保障措施？
• 你对Kubernetes或Docker有哪些深入的理解？请举例说明一个生产环境中容器化部署的优化案例
• 如果一个模型服务的推理延迟突然升高，你会如何排查和定位问题？