小红书
【2027校招】大模型平台全栈研发工程师
【2027校招】大模型平台全栈研发工程师
发布于 大约 16 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Agentic
Go
分布式系统
大模型训练
微服务
模型推理
系统可观测性
值不值得投
74综合评分
综合评分 74
前沿AI Infra技术栈、大厂校招平台、技术成长性极高，但WLB与具体福利需进一步确认。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
24K
与人工智能中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 1380 个在招 · 其中人工智能 33 个
市场机会
选择面较广
上海 · 人工智能 · 约 190 个在招
职位详情
关于这个职位
作为校招大模型平台全栈研发工程师，你将参与小红书一站式大模型平台的研发，涵盖从训练、推理到Agentic能力建设的全链路工作，致力于提升大模型生产与部署的效率和稳定性，支持公司在社区、搜索等核心场景的AI应用落地
最低要求
计算机、软件工程、人工智能、自动化、数学等相关专业，本科及以上学历的应届毕业生
熟悉 Go、Java、Python、C++ 中至少一门编程语言，具备扎实的数据结构、算法、操作系统和计算机网络基础
具备良好的服务端研发能力，了解分布式系统、微服务、高并发、缓存、消息队列和数据存储等基本技术
具备基本的系统诊断与故障处理能力，能够结合日志、监控指标、调用链和告警信息分析常见系统问题
了解大模型及 Agent 的基本工作原理，对 Function Calling、Tool Use、RAG、任务规划、工作流编排或 MCP 等技术有一定认知或实践
熟悉 Linux 开发环境，掌握 Git、Shell、Docker 等常用工具，具备良好的编码习惯和工程质量意识
具备良好的学习能力、问题分析能力和沟通协作能力，能够与平台、算法及业务团队共同推进项目落地
工作职责
大模型训推平台能力建设：参与覆盖AI 开发工具、数据处理、模型训练、压缩优化、在线推理和模型评测的一站式大模型平台研发，提升大模型生产和部署的效率
大规模训练能力建设：参与大模型训练平台研发，包括训练任务调度、性能优化、运行前检查、训练中监控与容错、训练后分析及资源效能治理
支持公司大模型业务的预训练、后训练和Agentic RL
大规模服务部署建设：支持单机及多机部署、Prefill-Decode 分离、KV Cache 路由、弹性扩缩容和流量治理，持续提升推理性能、资源利用率与服务稳定性
平台Agentic能力建设： 建设 Agentic 任务执行系统、智能值班助手，训练和推理故障诊断、Auto Model Research、全自动化生产等AI能力，并基于评测系统优化Agentic全链路的效果
高可用系统建设：支持平台监控、日志、告警、审计和问题诊断能力，持续提升系统可观测性及故障响应效率
业务支持：与算法、基础设施及业务团队协作，推动大模型和 Agent 能力在社区、搜索、审核、企效及 AI 应用等场景落地
优先资格
加分项：
熟悉 PyTorch、DeepSpeed、Megatron、vLLM、SGLang、TensorRT-LLM 等大模型训练或推理框架，有实际接入、部署或平台化经验
开发过 Agent、智能问答、运维诊断助手或其他 AI 应用，有实际场景落地经验
了解 Agent 评测、提示词工程、上下文工程、记忆机制、模型幻觉治理和工具调用可靠性优化
有分布式系统、高并发服务、任务调度、服务治理或多租户平台相关项目经历
熟悉 Kubernetes、Workflow、服务发现、负载均衡、弹性扩缩容、限流熔断和灰度发布等技术
AI 洞察
优缺点分析
优点
- 直接参与前沿的大模型基础设施建设，技术栈前沿，能快速积累稀缺的AI工程化经验
- 岗位职责覆盖训练、推理、平台、业务支持全链路，能获得广阔的系统视野
- 小红书作为内容社区，拥有丰富的业务场景（社区、搜索、审核）供技术落地验证
- 大模型平台技术复杂度高，涉及大规模分布式系统、性能优化、稳定性保障，对综合能力要求严格
- 岗位涉及底层系统开发和运维，工作内容可能较为深入和硬核，需要持续钻研
- 对AI基础设施和分布式系统开发有浓厚兴趣，希望从底层平台视角参与大模型技术浪潮的计算机相关专业应届毕业生
缺点 / 挑战
- 作为校招生，需要快速融入团队，并与经验丰富的算法、基础设施工程师协作，对学习和沟通能力挑战大
角色解读
- 技术深度路径：深耕大模型平台领域，成为分布式系统、AI Infra或模型部署优化专家
- 架构广度路径：成长为负责整个大模型平台或某业务线技术架构的架构师
- 技术管理路径：从负责具体模块，到带领小团队，逐步转向技术管理岗位
- 负责大模型平台核心能力建设，包括训练任务调度、性能优化、在线推理服务及高可用监控体系
- 参与开发平台Agentic相关系统，如任务执行、智能诊断助手，并优化其效果
- 与算法和业务团队紧密合作，推动平台能力和大模型应用在实际业务场景中落地
- 扎实的编程基础（Go/Java/Python/C++）和计算机科学基础知识
- 熟悉服务端开发、分布式系统原理及常用中间件，具备系统问题诊断能力
- 对大模型训练、推理原理及Agent相关技术有基本了解和实践经验
申请策略
- 仔细研究小红书的技术博客或开源项目，了解其技术栈和关注点，在面试中展示你的热情和了解
- 准备一个能体现你解决复杂系统问题能力的项目案例，梳理清楚问题背景、技术选型、挑战和成果
- 突出在校期间参与的分布式系统、高并发服务或大模型相关项目经历，展示系统设计与工程落地能力
- 详细描述使用Go/Java/Python等语言开发的项目，强调数据结构、算法和性能优化实践
- 如有使用Kubernetes、Docker、PyTorch等工具或框架的经验，或参与过AI应用开发，务必重点列出
- 系统学习大模型基础原理（训练、推理）和主流框架（如vLLM、DeepSpeed），完成一些入门级实践
- 回顾并巩固分布式系统核心知识，如一致性、容错、任务调度等，并阅读相关经典论文或代码
面试指南
- 对于项目问题，使用STAR法则（情境、任务、行动、结果）结构化回答，重点突出你的技术决策和量化成果
- 对于技术原理问题，先阐述基本概念，再结合具体场景（如大模型训练中的通信瓶颈、推理中的显存优化）分析优化思路
- 对于系统设计问题，从核心目标（如高可用、高性能、易扩展）出发，逐步拆解模块，讨论关键的技术选型和权衡
- 请介绍一个你参与过的最有挑战性的系统开发项目，你遇到了什么技术难点？如何解决的？
- 你对大模型训练或推理中的‘性能优化’有什么理解？可以从哪些层面进行？
- 如果让你设计一个简单的、支持多租户的大模型训练任务调度系统，你会如何考虑核心模块和关键指标？
- 你如何理解Agent中的Function Calling或RAG？请谈谈你的实践经验或看法
- 复习分布式系统和计算机网络的基础知识，准备相关概念的解释和实际应用场景分析
职位点评
薪资福利65
成长发展92
工作生活50
使命价值85
薪资福利
65中等
作为大厂校招技术岗，薪资预计在市场中上水平，但具体福利和稳定性信息在JD中未披露，需在后续环节确认。
薪资信号面议 (18K-30K/月)
成长发展
92较高
职位涉及大模型平台、Agentic等前沿技术栈，且有清晰的业务落地场景，能为应届生提供极佳的技术视野和成长空间。
技术前沿前沿/新兴技术
技术栈大模型训练、推理优化、Agentic、Kubernetes、分布式系统、vLLM、DeepSpeed
业务类型ambiguous
工作生活
50较低
工作地点涵盖北京、上海、杭州三个城市，但办公模式、是否加班等信息在JD中完全未提及，WLB情况无法判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
85较高
AI大模型是当前科技领域最具前景的赛道之一，该岗位能让求职者直接参与推动AI能力在用户场景中的落地，具有较强的行业和使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号推动大模型和 Agent 能力在社区、搜索、审核、企效及 AI 应用等场景落地
创新程度积极采用新技术
小红书 的其他在招职位
相似职位推荐
Watch Jobs