微信搜索-LLM大模型推理研发高级工程师-研发优化

优缺点分析

角色解读

• 可深耕LLM推理优化领域，成为技术专家或架构师
• 可拓展至搜索引擎整体架构设计，或转向技术管理岗位
• 可参与前沿AI基础设施建设，成为行业技术领导者
• 负责研发和优化LLM大模型推理引擎，提升微信搜索场景下的性能和稳定性
• 将分布式系统工程思想应用于大模型推理，系统化解决线上工程难题
• 紧跟LLM Infra前沿技术，并将其落地于实际搜索业务
• 与算法团队深度合作，设计实现能推动搜索系统代际升级的大模型
• 精通C/C++编程和Linux开发环境，熟练掌握常用算法与数据结构
• 熟悉VLLM、SGLang等大模型推理框架及其算法结构原理
• 具备搜广推场景下的分布式系统知识，如检索引擎、KV服务等
• 拥有推理工程优化经验，能有效降低部署成本并承载大流量

申请策略

• 研究微信搜索业务特点和技术挑战，面试时可针对性提出优化思路
• 准备系统设计案例，展示如何将工程思想应用于大模型推理场景
• 了解腾讯的技术文化和团队协作方式，体现融入意愿
• 重点突出C/C++项目经验，尤其是涉及性能优化、分布式系统或大模型推理的相关成果
• 强调在Linux环境下的开发经验，以及对常用算法和数据结构的掌握
• 如有搜广推场景下的推理优化经验，需详细描述具体技术和业务成果
• 列举对VLLM、SGLang等推理框架的实践或学习经历，展示技术跟进能力
• 深入学习VLLM、SGLang等主流大模型推理框架的原理与实践

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化回答，突出个人贡献和量化成果
• 结合具体技术细节，如内存管理、批处理优化、分布式调度等，展示深度思考
• 强调业务理解，将技术方案与搜索场景的实际需求（如延迟、吞吐量）紧密结合
• 如何优化大模型推理引擎的性能以支持高并发搜索流量？
• VLLM和SGLang等推理框架在架构上有何异同？如何选择？
• 如何设计一个分布式大模型推理系统来保障稳定性和降低成本？
• 请描述一个你解决过的复杂工程问题，并说明技术思路
• 如何与算法团队合作，实现搜索系统的代际技术升级？