CPG-AI平台研发工程师

优缺点分析

角色解读

• 技术精进方向：从AI平台开发向ML/DL系统架构专家发展，成为MLOps/LLMOps领域专家
• 管理转型方向：积累项目经验后可向技术Leader或架构师岗位发展
• 跨领域拓展：基于平台经验转型AI应用开发、大模型Agent等前沿方向
• 设计并构建滴滴AI平台的后端架构，支持机器学习全生命周期
• 开发和优化MLOps/LLMOps工具链，提升模型训练、部署、推理的效率和稳定性
• 跟踪大模型前沿技术，将最新成果工程化落地到平台产品中
• 扎实的编程能力，精通Go/Java/Python等语言，熟悉数据结构和算法
• 深入了解深度学习框架（PyTorch/TensorFlow），理解底层机制
• 具备分布式系统研发经验，熟悉Kubernetes等容器编排工具

申请策略

• 了解滴滴在AI平台方面的公开分享（如技术博客），面试时展示对公司业务的理解
• 准备一个完整的项目案例，说明从需求到落地的技术选型和难点解决过程
• 突出丰富的大规模后端系统开发经验，尤其与AI平台或分布式系统相关的项目
• 展示对深度学习框架（PyTorch/TensorFlow）的深入理解，如底层算子优化或模型部署经验
• 如有Kubernetes或云原生经验，需重点体现
• 提及任何大模型相关项目（如Agent、微调、推理加速）可作为加分项
• 若缺乏Kubernetes经验，可快速学习容器编排基础，并尝试搭建小型集群
• 补充MLOps工具链知识（如MLflow、Kubeflow），了解LLM推理优化技术（vLLM、TGI等）

面试指南

• 先明确问题背景，给出系统的核心功能和非功能需求，再介绍选型理由，最后总结权衡和效果
• 对于技术深度问题，从原理入手，结合实际踩坑经历，体现思考深度
• 对于系统设计题，采用自顶向下的方式：先划分模块，再讨论数据流、存储、容错等
• 请描述你参与过的一个大规模分布式系统架构，如何保证高可用和扩展性？
• 你对MLOps/LLMOps的理解是什么？在实际项目中如何管理模型版本和部署？
• 使用PyTorch时遇到过的性能问题及解决方案？
• 大模型推理优化有哪些方法？你了解哪些推理框架？
• 如果让你设计一个AI平台的核心模块（如模型训练平台），你会考虑哪些架构要点？