达摩院-算子库工程师-计算技术

优缺点分析

角色解读

• 可向高性能计算领域的资深技术专家或首席架构师方向发展，成为AI底层算力优化的权威
• 也可转型为AI基础设施团队的技术负责人，统筹底层算力框架演进与大规模计算平台建设
• 负责底层算子库的框架设计与架构演进，制定统一的开发范式与接口规范，确保代码质量与风格一致
• 建设算子模板库，将复杂计算模式抽象为可复用、可组合的组件，大幅提升新算子的开发效率
• 探索AI辅助算子生成的前沿方案，设计对AI友好的算子开发框架，推动算子工程的标准化与自动化
• 精通C/C++系统级编程，熟练掌握泛型编程与模板元编程等高级特性，具备深厚的底层代码功底
• 深入理解GPU或AI加速器的底层微架构及硬件执行原理，能够进行极致的性能调优
• 具备大型计算库架构设计经验，以及跨团队推动技术标准落地的技术影响力与沟通能力

申请策略

• 达摩院非常看重技术深度与底层原理的理解，面试前需准备好应对极具深度的C++底层机制及GPU硬件执行原理的拷问
• 重点突出C/C++模板元编程、泛型编程的实战经验，以及在大型算子库或计算库中的架构设计成果
• 量化过往项目中通过架构优化带来的性能提升或开发效率提升指标，用数据证明技术价值
• 展示跨团队推动技术标准落地的具体案例，体现技术影响力与项目推进能力
• 深入了解当前主流AI加速器（如NVIDIA最新架构、国产算力芯片）的微架构特性及编程模型
• 关注并实践AI辅助代码生成（如基于LLM的算子生成）在底层开发中的应用，思考框架适配方案

面试指南

• 架构设计类：采用“背景-痛点-方案设计-收益”框架，突出抽象能力与工程化思维，强调标准化带来的长期价值
• 底层优化类：从硬件微架构（内存层级、指令集、并行度）出发，结合具体代码或工具（如Nsight）分析瓶颈并给出优化方案
• 软技能类：采用STAR法则，强调技术影响力、沟通策略与最终达成的共识，展现推动复杂项目落地的能力
• 请详细描述你过往设计的大型算子库架构，如何解决算子复用与扩展性问题？
• 在C++模板元编程中，你是如何平衡编译时间、代码可读性与运行期性能的？
• 针对特定的GPU微架构（如Tensor Core），你是如何进行算子性能调优的？
• 在跨团队推动统一算子开发标准时，遇到过哪些阻力？是如何解决的？
• 对于AI辅助生成算子，你认为目前的痛点是什么？框架设计上需要做哪些适配？