Moonshot AI logo
月之暗面
Kernel Agent Infra 工程师

Kernel Agent Infra 工程师

发布于 37 分钟前

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人工智能
人工智能
CI/CD
Cuda
Gpu Kernel
Llm Agent
Profiling
Tool Calling

值不值得投

72综合评分

综合评分 72

前沿AI Infra岗位,技术成长强,办公模式与薪资福利未披露

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

比人工智能中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

70 个在招

市场机会

选择面较广

北京 · 人工智能 · 约 690 个在招

职位详情

关于这个职位

该职位负责建设面向 GPU Kernel 自动生成的 Agent Harness 与基础设施,打通代码生成、编译执行、正确性验证、性能评测和迭代优化闭环

你将与模型、Agent、编译器和 Kernel 团队协作,提升生成 Kernel 的正确率、性能和研发效率,工作地点全职可选北京或上海

最低要求

计算机、电子工程、数学或相关专业背景,具备扎实的编程与系统设计能力

熟练掌握 Python 和 C++,有复杂工具链、研发平台或基础设施项目的开发经验
熟悉 GPU 编程与性能优化,具备 CUDA、Triton 或其他 GPU Kernel 技术栈 的实际开发经验
理解 Kernel 正确性验证和性能评测中的关键问题,包括数值误差、边界条件、输入分布、Warm-up、计时方法及硬件状态对结果的影响
熟悉 LLM Agent 的基本开发方式,包括 Tool Calling、上下文管理、结构化输出、执行反馈和自动评测
具备优秀的 Debugging 能力,能够定位跨越 Agent、编译器、运行时和硬件执行环境的复杂问题
具备良好的沟通协作能力,能够与不同技术背景的工程师和研究人员共同推进项目

工作职责

设计并完善面向 GPU Kernel 生成的 Agent Harness,构建覆盖 代码生成、编译执行、正确性校验、性能评测和迭代优化 的端到端流程

为 Agent 设计和实现标准化工具接口,支持代码编辑、编译、运行、调试、Profiling、结果查询及失败诊断
建设 Kernel 任务与 Benchmark 体系,包括算子定义、测试数据、参考实现、数值容差、性能基线及结果管理
优化 Agent 的多轮迭代闭环,将编译错误、数值误差、性能指标和 Profiling 数据转化为结构化反馈,帮助 Agent 定位问题并改进生成结果
支持候选 Kernel 的自动生成、筛选、对比和调优,并探索执行经验与优化经验的沉淀和复用
建设稳定、可扩展的执行与实验基础设施,包括任务隔离、并发执行、资源调度、缓存、日志追踪和结果复现
建立并持续跟踪 Harness 的核心指标,如任务成功率、正确率、性能达成率、迭代次数及端到端运行成本
与模型、Agent、编译器和 Kernel 团队协作,推动 Harness 在真实研发与评测任务中的应用

优先资格

有 GPU Kernel 自动生成、自动调优或编译优化相关经验

熟悉 CUTLASS、TVM、MLIR、LLVM 或 Triton Compiler 等技术
有 Code Agent、SWE Agent、Agent Evaluation Harness 或相关基础设施建设经验
熟悉 Nsight Compute、Nsight Systems、rocProf 等性能分析工具
有大规模 Benchmark、分布式任务调度、沙箱执行或 CI/CD 系统建设经验
在 Kernel 优化、编译器、AI Infra 或 Agent 方向有高质量开源项目、论文或竞赛成果

AI 洞察

优缺点分析

优点

  • 岗位处在 Agent 与 GPU Kernel 自动生成的交叉方向,技术问题前沿且具备较强稀缺性
  • 工作内容覆盖工具链、Benchmark、执行基础设施和评测闭环,能积累完整的 AI Infra 平台建设经验
  • 与模型、Agent、编译器和 Kernel 团队协作,容易接触到真实研发场景中的复杂系统问题
  • 需要同时理解 GPU Kernel 性能优化和 LLM Agent 工程,跨领域学习曲线较陡
  • Harness 指标涉及正确率、性能达成率、迭代次数和运行成本,需要在稳定性、效率和资源开销之间持续权衡
  • 适合具备 GPU Kernel 或 AI Infra 基础,同时愿意深入 Agent 工具链、自动评测和研发平台建设的工程师

缺点 / 挑战

  • JD 中加分项包含 CUTLASS、TVM、MLIR、LLVM、Triton Compiler 和性能分析工具,技术深度较高
  • 问题跨越 Agent、编译器、运行时和硬件执行环境,Debugging 链路长,定位问题难度较高

角色解读

  • 可向 AI Infra 资深工程师或技术专家方向发展,深耕 GPU Kernel 自动生成、编译优化和 Agent Evaluation Harness
  • 可向平台架构负责人演进,负责更大规模的实验基础设施、任务调度、Benchmark 体系和研发效率平台
  • 也可横向拓展到模型训练推理基础设施、编译器优化、Agent 系统工程或 AI 研发效能方向
  • 建设面向 GPU Kernel 自动生成的 Agent Harness,打通任务输入、代码生成、编译执行、正确性验证、性能评测和迭代优化的端到端流程
  • 设计 Agent 可调用的标准化工具接口,覆盖代码编辑、编译、运行、调试、Profiling、结果查询和失败诊断
  • 搭建 Kernel 任务与 Benchmark 体系,管理算子定义、测试数据、参考实现、数值容差、性能基线和实验结果
  • 与模型、Agent、编译器和 Kernel 团队协作,把 Harness 应用到真实研发与评测任务中
  • 需要扎实的 Python、C++ 编程能力和系统设计能力,能够开发复杂工具链、研发平台或基础设施
  • 需要熟悉 CUDA、Triton 或其他 GPU Kernel 技术栈,并理解性能优化、数值误差、边界条件、Warm-up 和计时方法
  • 需要掌握 LLM Agent 开发方式,包括 Tool Calling、上下文管理、结构化输出、执行反馈和自动评测
  • 需要具备跨层 Debugging 能力,能定位 Agent、编译器、运行时和硬件执行环境中的复杂问题

申请策略

  • 申请前建议了解月之暗面在模型、Agent 和推理效率方向的产品与技术布局,准备将岗位与真实研发效率提升关联起来
  • 面试中尽量用具体项目说明你如何定位跨层问题、设计评测指标,并推动工具链在团队中落地
  • 突出 Python、C++ 复杂工具链或基础设施项目经历,尤其是编译、执行、调试、日志追踪、缓存、任务调度等模块
  • 突出 CUDA、Triton、GPU Kernel 性能优化或正确性验证经验,说明你如何处理数值误差、边界条件和性能基线
  • 突出 LLM Agent、Tool Calling、结构化输出、执行反馈或自动评测相关项目,体现你能把模型能力接入工程闭环
  • 如果有 Benchmark、沙箱执行、CI/CD、Nsight Compute、Nsight Systems、CUTLASS、TVM、MLIR 或 LLVM 经历,应单独列出
  • 补充 GPU Kernel 性能分析与验证能力,熟悉 Profiling 数据解读、Warm-up、计时方法和硬件状态影响
  • 加强 Agent Harness 工程能力,练习设计工具接口、结构化反馈、失败诊断和多轮迭代评测流程

面试指南

  • 先描述系统目标和约束,再按模块拆解架构,包括任务输入、工具接口、执行沙箱、评测器、反馈生成和结果管理
  • 回答技术问题时采用“问题现象—定位方法—验证手段—改进措施—指标结果”的结构,突出可复现和可观测性
  • 涉及 Agent 与 Kernel 协作时,强调结构化反馈、自动化闭环、失败分类和经验复用,避免只讲单点优化
  • 如何设计一个覆盖代码生成、编译执行、正确性验证、性能评测和迭代优化的 Agent Harness?
  • 在 GPU Kernel 正确性验证中,如何处理数值误差、边界条件、输入分布和硬件状态带来的不确定性?
  • 如果 Agent 生成的 Kernel 编译失败或性能不达标,你会如何把错误信息转化为结构化反馈?
  • 如何设计一个稳定、可扩展的执行基础设施,支持任务隔离、并发执行、资源调度、缓存和结果复现?
  • 你如何衡量 Harness 的效果,例如任务成功率、正确率、性能达成率、迭代次数和端到端运行成本?

职位点评

薪资福利72
成长发展90
工作生活45
使命价值78

薪资福利

72中等

JD 未披露薪资和福利信息,因此只能基于岗位技术门槛判断其市场吸引力;薪资竞争力无法从原文直接确认。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

90较高

岗位聚焦 Agent Infra、GPU Kernel 自动生成、编译优化和自动评测,技术栈前沿且跨领域成长空间大。JD 明确涉及工具链、Benchmark、执行基础设施和多轮迭代闭环,能系统性提升平台建设与研发效率优化能力。

技术前沿前沿/新兴技术
技术栈Agent Infra、GPU Kernel、CUDA、Triton、LLM Agent、Tool Calling、Profiling、CUTLASS、TVM、MLIR、LLVM、Triton Compiler、Nsight Compute、Nsight Systems、rocProf、CI/CD
业务类型ambiguous

工作生活

45较低

JD 明确全职地点为北京或上海、实习仅限北京,但未提及远程、弹性、双休或加班信息,办公灵活性无法确认。

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

78中等

岗位服务于 Agent 自动完成 GPU Kernel 生成、验证、性能分析和迭代优化,有助于提升 AI 研发效率和底层计算性能优化能力。JD 未直接描述社会使命或公共价值,意义感主要来自技术前沿性和研发效率提升。

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