专家研发工程师

优缺点分析

角色解读

• 技术深耕方向：成为AI基础设施领域的专家，主导下一代训推框架的架构设计
• 管理方向：可晋升为技术Leader或架构师，带领团队攻克技术难题
• 业务扩展方向：深入理解滴滴核心业务场景，推动AI技术在公司内广泛落地
• 开发和优化滴滴公司级的模型训练和推理框架，涉及大规模分布式系统和高性能计算
• 建设机器学习平台的训推一体化和数据链路闭环等基础能力
• 与算法部门深度合作，进行算法与系统的联合优化
• 持续提升机器学习平台的稳定性和用户体验
• 深度掌握Java底层机制和高性能编程实践，精通Java多线程、JVM调优等
• 熟悉TensorFlow、PyTorch等AI框架，具备Triton Inference Server的推理部署经验
• 具备LLM训练/推理工程或Agent开发经验者优先，了解C++/Python/Go
• 有系统架构设计能力，责任心强，善于沟通协作

申请策略

• 准备一个完整的项目案例，展示从模型训练到推理部署的全链路优化过程
• 关注滴滴技术博客和开源项目，了解其技术栈和方向，在面试中展现对公司的兴趣
• 突出Java高性能编程经验，包括JVM调优、并发编程、高可用系统设计等
• 强调TensorFlow/PyTorch等AI框架的使用和推理部署项目经验，附上具体成果
• 若有LLM训练/推理或Agent开发经验，一定要单独列出
• 展示系统架构设计能力和团队协作案例，特别是与算法团队合作的项目
• 深入学习Triton Inference Server的架构和优化方法
• 补充LLM推理优化（如vLLM、TensorRT-LLM）和分布式训练框架（如DeepSpeed）的知识

面试指南

• 对于项目经验类问题：使用STAR法则（情境-任务-行动-结果），突出技术难点和你的贡献
• 对于技术原理类问题：先给出定义，再对比优劣，最后结合实际场景说明选择
• 对于系统设计类问题：从功能需求、非功能需求、架构选型、关键组件、容错等方面展开
• 请描述你之前参与过的AI模型推理部署项目，面临的最大挑战是什么？如何解决的？
• Java高并发编程中，你是如何处理内存模型和锁优化的？
• 谈谈你对TensorFlow和PyTorch的理解，它们在训练和推理中的优劣？
• 如何设计一个大规模的模型训练平台，需要考虑哪些关键因素？
• 与算法团队合作时，如何平衡算法效果和系统性能？