AI编译优化工程师(北京/上海/深圳)

优缺点分析

角色解读

• 可向AI编译器技术专家、首席架构师方向发展，深耕AI底层基础设施
• 也可转型为AI芯片生态负责人，统筹软硬件协同优化与业务落地
• 负责自研AI芯片的高性能图编译器与算子编译器研发，解决芯片落地中的性能与易用性瓶颈
• 探索并实现自动生成算子的解决方案，提升算子生成效率与开发体验
• 与业务团队紧密合作，持续迭代编译器功能，共同构建和完善AI底层生态
• 精通C++/Python及Linux开发环境，具备扎实的系统设计与性能优化能力
• 深入理解GPU/AI DSA体系结构，拥有主流AI芯片的编译优化实战经验
• 熟练掌握MLIR、Triton、tilelang等CodeGen框架，能够进行底层代码生成与优化

申请策略

• 了解公司自研芯片的架构特点及业务应用场景，在面试中展现对软硬件协同优化的深刻理解
• 重点突出在MLIR、Triton等CodeGen框架上的实际项目经验及量化的性能提升数据
• 详细阐述在GPU/AI DSA体系结构下的算子优化、图编译优化经历
• 展示解决复杂编译性能瓶颈或提升算子生成效率的具体案例与技术深度
• 深入学习MLIR和Triton的最新特性，了解业界最新的AI编译器架构（如XLA、TVM）
• 补充计算机体系结构和编译原理的底层知识，提升C++高性能编程与内存优化能力

面试指南

• 采用STAR法则，明确背景（芯片架构/业务场景）、任务（性能目标/优化方向）、行动（具体使用的框架、优化策略、代码实现）、结果（量化的性能提升数据或效率改善）
• 对于系统设计类问题，先阐述整体架构与核心模块划分，再深入关键模块的实现细节与权衡取舍（Trade-off）
• 请详细介绍你在MLIR或Triton框架中实现过的最复杂的算子或图优化，遇到了哪些挑战？
• 在GPU体系结构下，你是如何进行算子性能调优的？请分享一个具体的性能提升案例
• 如何设计一个自动生成算子的解决方案？你认为目前自动生成算子的主要难点在哪里？
• 在自研芯片落地过程中，编译器需要解决哪些易用性和性能问题？你的思路是什么？
• 复习编译原理、计算机体系结构（特别是GPU架构）的核心知识，确保底层概念清晰
• 准备1-2个自己主导的底层性能优化或编译器开发的深度技术案例，能够讲透技术细节与踩坑经验