DiDi logo
滴滴出行
Ai Infra开发工程师

Ai Infra开发工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
中级经验
学历未注明
全职员工仅现场办公AI算法
AI算法
Cuda
Megatron-Lm
Pytorch
Sglang
Tensorflow
Vllm
分布式训练

值不值得投

75综合评分

综合评分 75

前沿AI基础设施岗位,技术与成长价值突出,薪资福利和工作节奏需面试确认。

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。

薪资怎么样

5.0万

比AI算法中位数高

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 2400 个在招 · 其中AI算法 7 个

市场机会

选择面较广

北京 · AI算法 · 约 240 个在招

职位详情

关于这个职位

该职位面向滴滴搜索、广告、推荐业务,负责机器学习训练与推理基础设施建设,重点优化 CTR、LLM 等模型的训练吞吐、推理性能和资源成本

你将深入训练、推理、框架与 GPU 算子全链路,参与大规模机器学习平台架构演进

最低要求

具备扎实的计算机基础,熟悉数据结构与算法、操作系统、计算机网络及并发编程

熟练掌握 C++、Python 等编程语言,具备良好的工程实现和问题排查能力
理解深度学习训练与推理的基本原理,深入掌握至少一种主流训练或推理框架,如 PyTorch、TensorFlow、Megatron-LM、vLLM、SGLang 等,能够深入源码分析执行流程和性能问题
熟悉性能分析与调优方法,能够使用 Profiling 工具定位系统瓶颈,设计优化方案,并通过可复现的实验验证性能收益、数值正确性与模型效果
在以下至少一个方向具备实际研发经验:分布式训练,熟悉数据并行、模型并行、参数服务器或参数分片机制,理解集合通信及计算通信重叠
在线推理,熟悉模型服务、RPC、批处理、并发调度与性能优化,具备吞吐、延迟和资源成本的权衡能力
GPU 高性能计算、理解 GPU 执行模型与存储层次,具备 CUDA、Triton 等算子开发或优化经验
具备较强的自驱力、责任心和协作能力,能够与算法及业务团队共同定义问题,推动技术方案落地并持续迭代

工作职责

负责面向搜索、广告、推荐业务的机器学习训练与推理基础设施研发,支持 CTR、LLM 等模型的高效训练与部署,在保障模型效果和系统稳定性的前提下,提升训练吞吐、推理性能与资源利用效率,降低算力成本

深入模型训练与推理全链路,通过性能分析定位计算、访存、通信、数据供给和调度等瓶颈,从模型结构、执行框架、计算图、算子与运行时等层面开展优化
根据业务需求与个人技术方向,参与以下一个或多个方向的研发:训练优化,大规模稀疏 Embedding、分布式并行策略、显存管理、混合精度训练、计算与通信重叠等
推理优化,高并发低延迟服务、动态批处理、模型量化、KV Cache 管理及推理调度等
框架与算子优化,框架执行机制、图优化、算子融合及高性能 GPU Kernel 开发
跟踪并评估业界先进技术,结合真实业务负载完成方案验证、工程实现与上线落地,建设可复用的优化能力和性能评测体系
与算法、系统及平台协作,推进模型、框架与硬件的Co-design,参与新一代大规模机器学习平台的架构设计与演进

AI 洞察

优缺点分析

优点

  • 岗位处在 AI Infra 与大模型工程化的核心方向,技术积累可迁移性强
  • 直接服务搜索、广告、推荐等真实业务场景,优化成果容易体现为吞吐、延迟和成本收益
  • 与算法、系统、平台团队协作,有机会参与大规模机器学习平台架构演进
  • 需要同时理解模型、框架、系统和硬件,技术跨度大,学习曲线较陡
  • 性能优化依赖真实业务负载和严谨实验,问题定位与收益验证可能耗时较长
  • 适合具备扎实系统编程能力、对深度学习框架和性能优化有深入兴趣,并希望在大规模 AI 基础设施方向长期发展的工程师

缺点 / 挑战

  • 覆盖训练、推理、框架、算子和硬件协同优化,技术栈广度和深度都比较高
  • 需要在模型效果、系统稳定性、推理延迟、吞吐和资源成本之间做权衡,复杂度较高

角色解读

  • 可向 AI Infra 专家方向发展,深耕分布式训练、推理引擎、GPU 算子优化和大规模平台性能工程
  • 可逐步承担平台架构设计职责,演进为机器学习平台架构师或技术负责人
  • 也可结合业务理解转向算法工程、模型系统协同优化或 AI 平台技术管理方向
  • 负责机器学习训练与推理基础设施建设,支撑搜索、广告、推荐业务中的 CTR、LLM 等模型高效训练和部署
  • 对训练、推理全链路做性能分析,定位计算、访存、通信、数据供给和调度瓶颈,并推动优化落地
  • 参与分布式训练、在线推理、框架执行机制、图优化、算子融合和 GPU Kernel 开发等方向研发
  • 与算法、系统和平台团队协作,推进模型、框架与硬件 Co-design,并参与新一代机器学习平台架构演进
  • 需要扎实的计算机基础,包括数据结构与算法、操作系统、计算机网络和并发编程,并能熟练使用 C++、Python 进行工程实现
  • 需要理解深度学习训练与推理原理,深入掌握 PyTorch、TensorFlow、Megatron-LM、vLLM、SGLang 等至少一种框架,并具备源码级分析能力
  • 需要掌握 Profiling 和性能调优方法,能够通过可复现实验验证性能收益、数值正确性和模型效果
  • 需要在分布式训练、在线推理或 GPU 高性能计算中至少一个方向有实际研发经验,例如并行策略、KV Cache、动态批处理、CUDA 或 Triton 优化

申请策略

  • 面试前梳理滴滴搜索、广告、推荐业务对训练与推理基础设施的典型需求,准备结合业务负载说明优化思路
  • 关注 AI Infra 领域近期技术进展,如大模型推理引擎、稀疏 Embedding、KV Cache 管理和模型量化方案
  • 突出 C++、Python 工程能力,以及在高并发、低延迟或大规模系统中的实际项目经历
  • 重点展示 PyTorch、TensorFlow、Megatron-LM、vLLM、SGLang 等框架的源码分析、二次开发或性能调优经验
  • 用量化结果呈现优化成果,例如训练吞吐提升、推理延迟下降、GPU 利用率提升或成本降低
  • 强调分布式训练、在线推理、CUDA/Triton 算子开发、KV Cache、动态批处理等相关经验
  • 补齐 Profiling 方法论,熟悉从计算、访存、通信、调度到数据供给的瓶颈定位流程
  • 加强对分布式并行策略、混合精度训练、显存管理和计算通信重叠的理解与实战

面试指南

  • 先描述问题背景和约束条件,再说明瓶颈定位方法、优化方案和量化验证结果
  • 对系统设计类问题,可按目标、指标、架构、关键模块、风险点和迭代路径展开
  • 对经验类问题,使用“问题—分析—方案—结果—复盘”的结构,突出可复现实验和业务收益
  • 如何定位一个 LLM 训练任务中的性能瓶颈?你会从计算、通信、访存和数据供给哪些方面入手?
  • 请解释数据并行、模型并行、参数分片和计算通信重叠的适用场景与实现难点
  • 在线推理场景中,如何权衡吞吐、延迟和成本?动态批处理和 KV Cache 管理分别解决什么问题?
  • 你是否做过 CUDA 或 Triton 算子优化?请说明优化前后的性能差异和验证方法
  • 如何设计一个可复用的性能评测体系,保证优化方案在不同模型和业务负载下稳定有效?

职位点评

薪资福利82
成长发展90
工作生活45
使命价值72

薪资福利

82较高

JD 未披露薪资与福利信息,无法直接判断薪酬竞争力;但岗位技术门槛较高,且涉及搜索、广告、推荐核心业务基础设施,通常对补偿性动机有一定吸引力。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

90较高

岗位覆盖训练优化、推理优化、框架与算子优化以及平台架构演进,技术深度和成长空间明显。JD 明确要求跟踪业界先进技术并落地,适合重视技术成长的求职者。

技术前沿前沿/新兴技术
技术栈机器学习训练基础设施、推理基础设施、CTR、LLM、PyTorch、TensorFlow、Megatron-LM、vLLM、SGLang、分布式训练、混合精度训练、动态批处理、模型量化、KV Cache、GPU Kernel、CUDA、Triton
业务类型profit_center

工作生活

45较低

JD 仅明确地点为北京市,未提及远程、弹性办公、双休或加班情况,因此生活化动机满足程度难以判断。工作地点信息停留在城市级,通勤便利性需进一步确认。

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

72中等

岗位通过提升训练吞吐、推理性能与资源利用效率、降低算力成本,对业务效率和资源节约有明确价值。JD 未直接表达社会使命或公共价值导向,意义感主要来自技术落地与业务影响。

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