阿里云智能-高性能网络研发专家-杭州

优缺点分析

角色解读

• 从通信/稳定性的单点优化，成长为超大规模 AI 集群性能与稳定性方向的负责人
• 可向 AI 基础设施架构师、网络与集群技术专家纵深发展，技术壁垒高
• 积累的排障与优化方法论可迁移到推理加速、集群调度、算力平台等相邻方向
• 面向阿里大模型训练与推理业务做稳定性保障，负责疑难问题定位、稳定性系统设计与研发落地
• 负责训练/推理集群的高性能通信保障，做网络与集合通信的性能分析、瓶颈定位与优化
• 与训练框架、网络、运维等团队协作，把反复出现的故障与性能问题沉淀为系统化能力
• 熟悉 RDMA/RoCE 网络与 NCCL、DeepEP 等集合通信库，能定位并调优分布式训练通信瓶颈
• 理解大模型训练与推理框架，掌握分布式训练、KV Cache 通信优化、计算通信 overlap 等手段
• 具备系统化排障能力，能从单次故障定位抽象出监控、诊断与自愈的系统设计
• 自驱力强、沟通顺畅，能在跨团队协作中持续推动问题闭环

申请策略

• JD 中多条要求标注“优先”，建议挑选 2-3 条最有把握的优先项，用项目细节证明而非泛泛罗列
• 提前了解阿里云在 AI 基础设施方向的公开技术分享，面试时可结合其技术栈展开交流
• 突出 RDMA、NCCL/DeepEP 等通信相关的开发或调优项目，写清优化前后的量化指标
• 用数据描述稳定性工作：集群规模、故障定位时长、可用性提升、MTTR 下降等
• 列出分布式训练/推理性能优化案例，如计算通信 overlap、KV Cache 传输优化
• 体现跨团队推动问题闭环的经历，说明你在其中承担的角色
• 补齐 RDMA/RoCE 底层原理与实操，包括集合通信算法、拥塞控制与常见调优参数
• 熟悉主流训练/推理框架（如 Megatron、vLLM、SGLang）的通信路径与瓶颈点

面试指南

• 用 STAR 结构：先说集群规模与故障现象，再说定位思路与工具，然后讲采取的动作与量化结果，最后讲沉淀
• 重点讲“为什么这么判断”，展示假设—验证—收敛的排障闭环，而不是只给结论
• 主动说明方案权衡与遗留问题，体现工程判断力与结果导向
• 请描述一次你定位大模型训练中断或性能劣化的完整过程，如何把范围缩小到网络或通信层？
• 大规模集群上 NCCL 常见的瓶颈有哪些？你做过哪些调优，效果如何量化？
• RoCE/RDMA 网络出现丢包或拥塞时，你会看哪些指标、按什么顺序排查？
• 计算通信 overlap、KV Cache 通信优化你有哪些实践？收益与代价分别是什么？
• 如果让你从零设计一套大模型训练稳定性系统，你会包含哪些模块，如何落地？