MaaS 平台研发工程师-2027届

优缺点分析

角色解读

• 从基础平台开发入手，逐步深入AI推理优化和分布式系统设计，成长为MaaS领域专家
• 可向技术专家或架构师方向发展，负责大规模AI服务平台的架构设计
• 未来可横向扩展至AI Infra其他方向，如训练平台、推理引擎等
• 参与MaaS平台的模型服务化建设，管理多模型多版本的发布流程
• 开发模型部署工具链，实现自动化上线、灰度发布、回滚和配置管理
• 优化推理服务链路，分析延迟、吞吐等指标并推动性能改进
• 建设平台的可观测性和稳定性机制，包括监控、告警、限流、降级等
• 熟练掌握Go/Python/C++至少一门语言，具备扎实的数据结构和算法基础
• 了解分布式系统基本概念（CAP、一致性、负载均衡）和Linux系统编程
• 对模型推理流程有基本了解或学习意愿，对AI基础设施有浓厚兴趣
• 熟悉容器化和CI/CD工具（Kubernetes、Docker、Jenkins等）为加分项

申请策略

• 在简历中体现对AI基础设施的热情，如参与相关社区或课程
• 面试前了解稀宇科技的产品和MaaS平台定位，准备相关技术问题
• 突出Go/Python/C++的项目经验，尤其是后端服务或分布式系统相关
• 强调对Kubernetes、Docker、CI/CD等工具的实际操作经验，哪怕是个人项目
• 如果有模型推理相关的学习经历或开源贡献，重点展示对AI的兴趣
• 系统学习Kubernetes和Docker的基本使用，动手部署一个小型服务
• 了解模型推理的基本流程（如ONNX、TensorRT），阅读相关文档
• 复习分布式系统基础知识（CAP、一致性协议）和Linux网络编程

面试指南

• 对系统设计问题，先明确需求边界，再给出分层或模块化方案，最后讨论权衡
• 对故障排查问题，采用“现象-定位-根因-修复-预防”的闭环思路
• 对技术概念解释，结合个人项目或场景举例，避免纯理论
• 请解释CAP定理及其在分布式系统中的实际应用
• 如何设计一个支持多版本模型发布的平台？
• 你用过Kubernetes吗？描述一个Pod的创建流程
• 如何优化一个高延迟的推理服务？你会从哪里开始？
• 描述你在某一项目中遇到的线上问题及解决过程