研究型实习生-高性能算子生成 Agent 研发

优缺点分析

角色解读

• 深度发展路径：在高性能AI编译、LLM代码生成或多智能体系统方向成为技术专家，解决更底层的“AI for Systems”问题
• 技术领导路径：成长为技术负责人，带领小团队攻坚特定技术模块，如算子自动生成引擎或模型训练流水线
• 学术与工业结合路径：产出高质量的技术专利或学术论文，并推动相关技术在公司核心业务中的大规模应用
• 研究并开发基于大语言模型（LLM）的智能Agent，使其能自动生成和优化面向特定GPU硬件的高性能计算算子代码
• 设计并实施模型后训练流程（如SFT、RLHF），通过构建数据集和奖励机制来增强Agent在复杂编译优化任务中的能力
• 构建多智能体协作系统，自动化完成从需求分析、代码生成、调试到优化的全流程，并研究智能体间的协同机制
• 与芯片、编译器等硬件团队紧密合作，将研究成果落地，并持续追踪领域前沿技术
• 需要具备扎实的大语言模型理论知识和Agent系统开发经验，能够熟练运用相关框架（如LangChain等）和进行Prompt Engineering
• 必须精通高性能计算和AI芯片架构知识，特别是CUDA编程和GPU优化技术，至少掌握一种算子编程语言
• 需要掌握至少一种模型后训练方法（如SFT、PPO、DPO等），并能设计训练数据和评估体系
• 要求具备良好的编程能力（Python/C++）和系统设计能力，能够将复杂的算法研究工程化落地

申请策略

• 仔细阅读JD中提到的具体技术方向（如Cute, TilieLang），在简历或面试中展示你对这些技术的了解或学习意愿
• 可以尝试提前准备一个与“用LLM生成代码”相关的小项目或Demo，这会成为极有力的敲门砖
• 突出与LLM Agent开发相关的项目或论文经历，尤其是涉及代码生成、工具调用的部分
• 重点展示CUDA/GPU编程、算子优化或任何与AI编译器相关的实践经验
• 清晰描述参与过的模型后训练（SFT/RLHF）或数据构建工作，即使是小规模实验
• 强调系统工程能力，如使用Python/C++构建复杂工具或完成高性能计算任务的经历
• 快速复习并实践CUDA编程和GPU内存优化技术，尝试用Triton等新语言编写简单算子
• 深入理解1-2种大模型后训练方法（如PPO或DPO）的原理和实现细节

面试指南

• 对于项目问题，使用STAR法则：清晰描述情境(Situation)、任务(Task)、采取的行动(Action)和最终结果(Result)，突出技术选型和难点攻克
• 对于技术问题，先阐述基本原理，再结合具体场景说明如何应用
• 例如讲内存优化时，联系到算子生成中如何选择数据搬运策略
• 对于设计类问题，展示系统思维：从目标定义、组件拆解（奖励信号、策略模型、数据格式）、到潜在挑战和迭代方向
• 请介绍一个你使用大语言模型构建Agent系统或进行代码生成的项目经历
• 你对CUDA中的内存层次（全局内存、共享内存等）和优化策略有什么理解？请举例说明
• 如果我们用RLHF来优化一个生成CUDA算子代码的LLM，你认为奖励模型（Reward Model）应该如何设计？
• 在多智能体系统中，如何让一个Agent有效地调用另一个Agent（或工具）来完成代码调试任务？