高德-算法工程化/推理优化/计算图工程师/专家-具身系统软件方向

优缺点分析

角色解读

• 在技术深度上，可成为端侧AI推理优化、异构计算领域的专家，解决行业最前沿的性能挑战
• 在项目广度上，可逐步主导整个端侧软件架构的设计与演进，从单一模块优化走向系统级架构师
• 在业务影响上，随着具身智能和机器人业务的爆发，该方向人才稀缺，有机会成为团队核心骨干或技术管理者
• 负责将感知、控制、决策等算法模型部署到机器人端侧设备，包括模型转换、量化、编译和推理加速，确保算法在资源受限的硬件上高效运行
• 构建和优化端侧推理运行时，提升模型在CPU、GPU、NPU等异构平台上的性能，并解决内存、延迟和稳定性问题
• 设计算法pipeline和数据流框架，编排多传感器数据与算法模块，实现高效的并发调度和依赖管理
• 与算法团队紧密合作，将算法原型转化为可部署、可调试、可观测的工程化模块，并建设自动化测试和版本管理工具
• 精通C++和Linux开发环境，具备扎实的工程实现和调试能力
• 熟悉TensorRT、ONNX Runtime、TVM等主流推理框架，掌握模型转换、量化和算子优化等部署流程
• 深入理解多线程、异步编程、内存管理和性能分析工具，具备异构计算平台（CPU/GPU/NPU）的优化经验
• 了解机器人或自动驾驶领域的感知、控制等算法链路，具备将算法工程化的实际经验

申请策略

• 在面试中，除了技术细节，可以多展示对具身智能行业前景的理解和热情
• 准备一个完整的端到端模型部署项目，从模型转换到最终性能调优，展示系统化解决问题的能力
• 重点突出在机器人或自动驾驶项目中，将算法模型成功部署到端侧并实现性能优化的具体案例，用数据量化成果
• 详细描述对C++、TensorRT、ONNX Runtime等工具的使用经验，特别是解决过的复杂技术难题
• 强调在异构计算平台（CPU/GPU/NPU）上的优化经验，以及多线程、内存管理方面的工程能力
• 如有计算图优化、推理框架二次开发经验，务必在简历中突出展示
• 系统复习CUDA编程和GPU架构知识，深入理解TensorRT等框架的底层实现原理
• 了解最新的模型压缩、量化技术，如GPTQ、AWQ等，并尝试在端侧设备上实践

面试指南

• 回答技术问题时，采用STAR法则（情境、任务、行动、结果），清晰阐述背景、挑战、具体做法和量化成果
• 对于设计类问题，先明确约束条件，再给出方案，并对比不同方案的优劣，体现系统思考能力
• 在描述优化过程时，强调数据驱动和工具使用，展示你如何通过profiling工具定位瓶颈
• 请详细描述一次你优化端侧模型推理性能的经历，具体遇到了哪些瓶颈，如何定位和解决？
• 比较TensorRT、ONNX Runtime、TVM等推理框架的优缺点，并说明在什么场景下你会如何选择？
• 在资源受限的端侧设备上，如何平衡模型精度和推理速度？请谈谈你的策略
• 如何设计一个多传感器数据流的算法pipeline，确保低延迟和高吞吐？
• 当模型在NPU上运行出现内存泄漏或崩溃时，你的排查思路是什么？