百度
北京-AI通信研发工程师(J104693)
北京-AI通信研发工程师(J104693)
发布于 大约 9 小时前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
本科
网络工程
Dpdk
Rdma
Rocev2
Sglang
Vllm
分布式系统
拥塞控制
AI 估算 · 25k–40k
职位详情
关于这个职位
这是一个专注于AI基础设施底层通信优化的研发岗位
你将深入RDMA协议栈，优化大规模集群的通信效率，并探索端侧可编程拥塞控制算法
同时，你还需要参与超节点推理性能调优，确保大模型部署后的吞吐量和延迟达到业界领先水平
该岗位技术挑战大，能深度接触前沿的AI基础设施技术
最低要求
本科及以上学历，计算机、电子、通信或相关专业，对高性能网络或分布式系统有浓厚兴趣，具备扎实的计算机体系结构、操作系统和网络协议理论知识
熟悉 RDMA（RoCEv2 / InfiniBand）的基本工作原理，了解其与传统 TCP/IP 的差异，有相关课程设计、毕业课题或实验项目经验（如使用 Verbs API 编程或模拟器验证）者优先
了解 DCQCN、PFC、ECN 等主流拥塞控制机制，能清晰阐述其作用与不足，有网络仿真（如 ns‑3）或流量分析经历者加分
熟练掌握 C/C++ 和 Python，具备 Linux 环境下的网络编程基础，对 DPDK 或用户态协议栈有初步了解或学习兴趣
对 vLLM、SGLang 等大模型推理框架有基本认知，阅读过其源码或参与过小规模二次开发实践者优先
了解 Transformer 架构及分布式并行策略（DP/TP/PP/EP）的基本概念
具备一定的实操经验，例如搭建过小型集群、运行过分布式训练/推理任务，或参与过开源项目贡献
能快速学习新知识，乐于从实验中定位问题并尝试解决
自我驱动，主动性强，善于沟通协作，乐于分享技术见解
有技术博客、竞赛获奖或学术论文发表经历者优先考虑
工作职责
Scale‑out 通信性能优化：负责大规模集群中跨节点（Scale‑out）通信效率的提升
深入分析 RDMA 协议栈（RoCEv2 / InfiniBand）在真实业务场景下的表现，通过调整拥塞控制参数、优化传输队列及中断/轮询模式，降低通信延迟并提高带宽利用率
针对 All‑Reduce、All‑to‑All 等集合通信算子进行性能画像，定位协议层瓶颈，输出可量化的优化方案
RDMA 网卡效果验证与落地：将优化成果在RDMA 网卡上实际部署，搭建标准化测试环境，设计覆盖不同报文大小、多流并发、故障注入等场景的基准测试套件
完整评估网卡在优化前后的吞吐量、时延、CPU 利用率等关键指标，撰写测试报告，确保优化措施在硬件上稳定、有效，并推动最终产品化落地
端侧可编程拥塞控制算法研究：基于RDMA 网卡的端侧可编程能力，探索新型拥塞控制算法
研究现有算法的不足，结合网络流量特征和业务优先级，设计并实现自适应拥塞控制逻辑，在网卡本地快速响应拥塞信号，减少对 CPU 的依赖，提升整体网络的可靠性和公平性
Scale‑up 超节点推理性能调优：在超节点（高带宽域内）环境中，聚焦节点内/间通信（Scale‑up）对主流大模型推理效率的影响
分析 TP（张量并行）、PP（流水线并行）、EP（专家并行）等并行策略下的通信依赖，结合 vLLM / SGLang 等推理框架，优化传输及调度逻辑
端到端验证模型部署后的吞吐量（Throughput）、首 Token 延迟（TTFT）和每 Token 处理时间（TPOT），提出并实施可落地的通信优化方案，确保推理性能达到业界领先水平
AI 洞察
优缺点分析
优点
- 技术前沿，涉及RDMA、AI大模型等热门领域，个人技术成长快
- 平台优势明显，百度在AI领域投入大，能接触到大规模真实业务场景
- 薪资待遇优厚，大厂福利完善
- 技术门槛高，需要扎实的底层网络和系统知识，学习曲线陡峭
- 工作强度可能较大，需要应对复杂的性能优化问题
- 对硬件和底层协议的深入理解需要大量实践积累
缺点 / 挑战
- 适合对底层网络技术有浓厚兴趣，喜欢挑战技术难题，并希望在AI基础设施领域深耕的工程师
角色解读
- 技术专家路线：在RDMA、高性能网络、AI基础设施领域深耕，成为技术专家
- 架构师路线：从单一模块优化扩展到整个集群网络架构设计，成为系统架构师
- 技术管理路线：随着经验积累，可带领团队负责更大范围的通信优化项目
- 负责大规模AI集群的通信性能优化，深入分析RDMA协议栈，通过调整参数和模式来降低延迟、提高带宽利用率
- 将优化方案在RDMA网卡上落地验证，搭建测试环境，评估网卡性能，并推动产品化
- 研究并实现基于网卡可编程能力的自适应拥塞控制算法，提升网络可靠性
- 在超节点环境中，针对大模型推理框架（如vLLM）进行通信调优，优化并行策略，提升推理性能
- 扎实的计算机体系结构、操作系统和网络协议理论知识
- 熟练掌握C/C++和Python，具备Linux环境下的网络编程能力
- 熟悉RDMA、RoCEv2、InfiniBand等高性能网络技术，了解DCQCN、PFC等拥塞控制机制
- 对vLLM、SGLang等大模型推理框架和分布式并行策略有基本认知
申请策略
- 在简历中明确表达对高性能网络和AI基础设施的热情
- 可以准备一个相关的技术博客或项目展示，以证明你的实践能力
- 重点突出RDMA、RoCEv2、InfiniBand等网络协议相关的项目经验或课程设计
- 强调C/C++和Python的编程能力，以及Linux网络编程经验
- 如果有vLLM、SGLang等推理框架的源码阅读或二次开发经历，务必突出
- 展示动手能力，如搭建过集群、运行过分布式任务或参与过开源项目
- 系统学习RDMA协议栈，了解RoCEv2和Infiniband的差异，并动手实践Verbs API编程
- 深入学习vLLM、SGLang等推理框架的源码，了解其通信机制
面试指南
- 对于技术原理类问题，建议采用'概念-原理-应用'的结构，先清晰定义，再解释核心机制，最后结合具体场景说明其优缺点
- 对于项目经验类问题，建议采用STAR法则，清晰描述项目背景、你的任务、采取的行动和最终结果，并突出你的技术深度和解决问题的能力
- 对于开放性问题，建议先明确问题边界，然后提出一个结构化的分析框架，再给出具体的优化思路，最后说明如何验证效果
- 请详细解释RDMA的工作原理，以及它与传统TCP/IP协议栈的区别和优势
- 谈谈你对DCQCN、PFC等拥塞控制机制的理解，它们有什么优缺点？
- 描述一次你使用C/C++或Python进行网络编程或性能优化的经历
- 你对vLLM或SGLang等大模型推理框架的架构和通信机制了解多少？
- 如果让你优化一个大规模集群的All-Reduce通信效率，你会如何着手？
职位点评
73
综合评分
百度核心AI研发岗，前沿技术栈，薪资优厚，但工作强度大，WLB一般。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
该职位最适合那些对底层技术有强烈好奇心，渴望在AI基础设施领域快速成长，并能接受高强度工作节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利
80较高
作为上市大厂的核心技术岗位，薪资和福利待遇优厚，稳定性高，能较好地满足补偿性动机。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
90较高
该岗位涉及RDMA、AI推理等前沿技术，技术挑战大，成长空间广阔，能极大满足发展性动机。
技术前沿前沿/新兴技术
技术栈RDMA、RoCEv2、InfiniBand、DPDK、vLLM、SGLang、C++、Python
业务类型profit_center
工作生活
40较低
岗位要求现场办公，且未提及弹性工作或远程，工作地点固定，生活化动机满足程度有限。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
该岗位服务于AI基础设施，属于高速增长赛道，对推动AI技术发展有积极意义，但社会价值感相对中性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs