腾讯
腾讯云 DataBuddy-机器学习平台高级工程师
腾讯云 DataBuddy-机器学习平台高级工程师
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Feast
Go
Mlflow
Mlops
Pytorch
Tensorflow
值不值得投
78综合评分
综合评分 78
腾讯核心AI基础设施岗，技术栈前沿且成长空间大，薪资竞争力强，但工作节奏可能较快。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2010 个在招 · 其中机器学习工程 35 个
市场机会
选择面较广
深圳 · 机器学习工程 · 78 个在招
职位详情
关于这个职位
该职位负责腾讯云DataBuddy机器学习平台的MLOps全链路建设，包括特征平台落地、自动化训练流水线搭建及模型服务化部署
你需要运用Python/Go、Docker/K8s等技术，保障AI模型的高效迭代与高可用运行，是连接算法与工程落地的核心角色
最低要求
本科及以上学历，3年以上MLOps/机器学习平台工程落地经验，具备端到端AI工程体系搭建能力
熟练使用 Python/Go 服务开发，具备高并发服务设计与优化经验
精通 Docker、K8s，熟悉CI/CD、资源调度、灰度发布等生产落地
核心技术栈：
）特征工程：精通Feast 架构与生产落地，熟练掌控离线/在线特征治理、Redis高并发查询、特征一致性优化
）MLOps工具链：熟练落地 MLflow、Kubeflow、Airflow，可独立搭建自动化训练与版本管理流水线
）模型部署优化：熟悉 PyTorch/TensorFlow 模型部署，掌握推理加速、量化、Batch优化等工程手段
）存储与计算：熟练使用 Redis、OSS/S3、MySQL，熟悉 Ray/Spark/Flink 大数据计算场景
工作职责
MLOps全链路建设：负责数据、特征、训练、版本、评测、部署、推理、监控迭代全流程工程化建设，标准化AI研发交付流程
企业级特征平台落地：主导 Feast 架构落地与优化，搭建离线/在线统一特征体系，完成特征物化、回填、版本管理与高并发在线查询，治理特征漂移与一致性问题
自动化训练流水线：基于 MLflow/Kubeflow/Airflow 搭建训练调度、实验追踪、版本管理自动化流水线，提升算法迭代效率
模型服务化工程：基于 Docker/K8s 完成模型容器化部署、灰度发布与弹性扩缩容，优化在线推理、批量预测性能，保障高可用、低延迟、高吞吐
AI可观测与稳定性：搭建数据、特征、模型指标、漂移、推理异常监控体系，形成告警与迭代闭环，保障线上模型长期稳定运行
该岗位可 base 北京、深圳、杭州、上海
AI 洞察
优缺点分析
优点
- 技术栈前沿且全面，涵盖MLOps、特征工程、模型部署等核心领域，极具行业竞争力
- 需要兼顾算法理解与工程落地，对系统架构设计和高并发优化能力要求极高
- 适合具备扎实工程底座、对AI落地有热情，且希望在MLOps和AI基础设施领域深耕的技术人才
缺点 / 挑战
- 依托腾讯海量业务场景，能接触到高并发、大规模的企业级AI工程落地挑战
- 跨团队协作频繁，需推动算法团队与工程团队的流程标准化，沟通成本较高
角色解读
- 可向MLOps架构师、AI平台技术专家方向发展，主导企业级AI基础设施的演进
- 或转型为AI工程团队负责人，统筹算法与工程团队的协同效能
- 负责MLOps全链路工程化建设，打通从数据、特征到模型部署的完整AI研发流程
- 主导企业级特征平台（Feast）落地与自动化训练流水线搭建，保障模型的高效迭代与高可用运行
- 精通Python/Go及Docker/K8s容器化技术，具备高并发服务设计与优化能力
- 深入掌握Feast、MLflow、Kubeflow等MLOps工具链，熟悉模型推理加速与大数据计算框架
申请策略
- 了解腾讯云TI平台或DataBuddy的相关产品背景，面试时展现出对AI研发效能提升的深刻思考
- 突出端到端AI工程体系搭建经验，特别是Feast特征平台或MLflow/Kubeflow流水线的从0到1落地案例
- 强调高并发服务优化、模型推理加速及K8s容器化部署的实战成果与量化收益
- 深入理解主流大模型或传统机器学习模型的部署优化手段（如vLLM、TensorRT）
- 补充对AI可观测性（如模型漂移监控、数据质量监控）的系统性认知与工具链实践
面试指南
- 采用STAR法则，重点突出“业务痛点-架构设计-技术难点攻克-业务收益”
- 在回答架构问题时，结合高并发、高可用、可扩展性进行多维度分析，展现系统性思维
- 请详细描述你主导的Feast特征平台落地方案，如何解决特征一致性与高并发查询问题？
- 在搭建自动化训练流水线时，你是如何设计实验追踪与版本管理的？
- 针对模型在线推理，你做过哪些性能优化？如何保障高可用与低延迟？
- 如何设计AI可观测体系，以监控数据漂移和推理异常？
- 复习K8s底层原理、Docker网络与存储，以及Feast、MLflow的核心架构
- 准备1-2个解决线上模型稳定性或推理延迟问题的真实排查案例
职位点评
薪资福利85
成长发展90
工作生活50
使命价值80
薪资福利
85较高
腾讯作为头部互联网企业，高级工程师薪资具备较强市场竞争力，福利体系完善。
薪资信号未披露（AI估算：3千–5万/月）
成长发展
90较高
岗位处于AI基础设施核心领域，技术栈前沿，能深度参与企业级MLOps体系建设，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈MLOps、Feast、MLflow、Kubeflow、Airflow、Docker、Kubernetes、PyTorch、TensorFlow、Ray、Spark、Flink
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与WLB相关信息，互联网大厂高级岗位通常工作节奏较快。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
赋能AI研发效能，推动企业级AI基础设施演进，具有较高的行业价值与技术使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs