基础设施与稳定性工程-AI 编译器研发工程师（TileLang）-北京/杭州

优缺点分析

角色解读

• 技术专家路径：深耕AI编译技术，成为连接芯片、算法与应用领域的核心架构师
• 技术管理路径：带领小团队负责特定编译模块或芯片平台的整体支持
• 前沿探索路径：引领‘AI for Compiler’新范式，推动编译工具链的智能化演进
• 设计并实现面向国产AI芯片（PPU）的编译器后端核心模块，将高层计算图映射为高效的机器代码
• 针对大语言模型（如Qwen）的核心算子（GEMM, Attention, MoE）进行编译优化，提升推理性能
• 探索将大模型和AI Agent技术应用于编译器的自动优化流程，实现‘AI for Compiler’
• 扎实的C++编程与系统开发能力，能够深入理解软硬件接口
• 精通编译原理，熟悉TVM/MLIR等框架，并有AI编译器实际开发经验
• 了解AI芯片（尤其是GPU或类PPU）的计算架构与性能特性

申请策略

• 研究阿里巴巴平头哥的玄铁/倚天芯片及百炼平台，了解其技术背景和业务需求
• 面试时准备好深入讨论某个编译技术点（如Scheduling）或性能优化案例，并体现系统性思维
• 突出任何与编译器（TVM/MLIR）、GPU编程（CUDA/Triton）或底层系统开发的项目经验
• 强调对性能优化的实践，例如通过算子优化、内存布局调整等提升程序效率的案例
• 如有相关论文（AI Compiler、Auto-tuning）或开源贡献，请重点列出
• 系统学习或复习编译原理（IR、Pass、后端生成），并深入研究TVM或MLIR中的一个
• 针对PPU（类GPU）架构，学习其计算模型、内存层次和并行编程范式
• 尝试实现一个简单的AI算子（如GEMM）的编译器后端，或用AI方法分析优化性能

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化地回答项目经验问题，重点突出技术决策和量化结果
• 在回答系统设计或优化问题时，分层次阐述：先明确目标（性能指标），再分析瓶颈，然后提出具体技术方案（如算子映射、数据布局、并行策略），最后提及验证方法
• 对于开放性问题（如AI for Compiler），提出具体、可行的设想，并说明其与传统方法相比的优势和挑战
• 请描述一个你参与过的AI编译器或性能优化项目，你具体负责什么？遇到了哪些技术挑战？
• 假设要为一个新的AI算子（如某类Attention）实现编译后端支持，你会考虑哪些关键步骤和优化点？
• 你如何理解AI编译器中‘Scheduling’和‘Lowering’的作用？可以结合一个例子说明吗？
• 对于‘AI for Compiler’这个方向，你认为大模型可以帮助编译器自动解决哪些具体问题？
• 如果让你在TVM/MLIR框架上为一种新硬件添加后端支持，你的工作流程是怎样的？