Moonshot AI logo
月之暗面
Kernel Agent Infra 实习生

Kernel Agent Infra 实习生

发布于 1 天前

实习/见习

AI 估算 · 8.0千–1.5万 · AI 参考估算
无经验要求
学历未注明
实习生仅现场办公AI算法
AI算法
CI/CD
Cuda
Gpu Kernel
Llm Agent
Profiling
Tool Calling

值不值得投

76综合评分

综合评分 76

前沿 AI Infra 实习,技术成长强,地点限定北京,薪资与 WLB 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,方便比较实习机会。

薪资怎么样

1.2万

比AI算法中位数高

发布情况

新岗位 · 昨天发布

公司情况

这家公司招聘很活跃

74 个在招 · 其中AI算法 2 个

市场机会

选择面较广

北京 · AI算法 · 约 270 个在招

职位详情

关于这个职位

这是一个面向 Agentic GPU Kernel 生成的基础设施实习岗位,主要建设 Kernel 生成、编译执行、验证、性能分析和迭代优化的一体化工具链

你将围绕 CUDA/Triton、LLM Agent、自动评测和性能反馈,提升 GPU Kernel 自动生成的质量与研发效率

最低要求

计算机、电子工程、数学等相关专业,熟练掌握 Python、C++,具备扎实的编程与系统设计能力,有工具链或基础设施开发经验

熟悉 GPU 编程与性能优化,有 CUDA、Triton 等实践经验
熟悉 LLM Agent 开发,包括 Tool Calling、上下文管理、结构化输出、执行反馈与自动评测

工作职责

开发 Agentic GPU Kernel Generation Harness,支持代码编辑、编译、运行、调试、Profiling 及失败诊断

建设 Kernel 任务和 Benchmark 体系,管理算子、测试数据、参考实现、数值容差、性能基线与结果
将编译错误、数值误差和性能数据转化为结构化反馈,支持多轮迭代、Kernel 筛选调优与经验复用
建设任务隔离、测试框架、日志追踪等基础设施,跟踪成功率、正确率、性能及成本,推动跨团队落地

优先资格

有 Kernel 自动生成/调优、编译优化,或 Code/SWE Agent、Agent Evaluation Harness 建设经验

熟悉 CUTLASS、TVM、MLIR、LLVM、Triton Compiler,或 Nsight、rocProf 等性能分析工具
有大规模 Benchmark、分布式调度、沙箱、CI/CD 经验,或相关方向高质量开源项目、论文、竞赛成果

AI 洞察

优缺点分析

优点

  • 岗位处在 GPU Kernel 自动生成与 LLM Agent 交叉方向,技术内容前沿且稀缺
  • 工作内容覆盖工具链、Benchmark、性能分析和反馈闭环,能系统性积累 AI Infra 能力
  • JD 明确提到跨团队落地,有机会接触真实研发场景和复杂工程问题
  • 加分项包含开源项目、论文和竞赛成果,适合有技术沉淀的实习生展示优势
  • 技术栈跨度较大,需要同时理解 GPU Kernel、编译工具链、Agent 系统和自动评测
  • 实习仅限北京,地点灵活性有限
  • 适合计算机、电子工程、数学背景,熟悉 CUDA/Triton 或 LLM Agent,并希望深入 AI Infra 与 GPU 性能优化的实习生

缺点 / 挑战

  • 任务涉及正确性验证、性能基线和失败诊断,对工程严谨性和调试能力要求较高

角色解读

  • 可以从基础设施实习生成长为 GPU Kernel 工具链、Agent Evaluation 或 AI Infra 方向工程师
  • 后续可向编译优化、性能工程、LLM Agent 系统、分布式调度或 AI 研发效率平台等方向深入
  • 若持续积累 Benchmark、开源项目或论文成果,也可转向更高阶的研究型工程岗位
  • 建设 Agentic GPU Kernel Generation Harness,让 Agent 能够完成 Kernel 代码编辑、编译、运行、调试和性能分析
  • 设计 Kernel 任务与 Benchmark 体系,管理算子、测试数据、参考实现、数值容差、性能基线和实验结果
  • 把编译错误、数值误差和性能数据转成结构化反馈,支持 Agent 多轮迭代和 Kernel 自动筛选调优
  • 参与任务隔离、测试框架、日志追踪等基础设施建设,跟踪成功率、正确率、性能和成本指标
  • 需要熟练掌握 Python 和 C++,并具备较强的系统设计、工具链或基础设施开发能力
  • 需要理解 GPU 编程与性能优化,具备 CUDA、Triton 等实践经验
  • 需要熟悉 LLM Agent 开发中的 Tool Calling、上下文管理、结构化输出、执行反馈和自动评测
  • 加分方向包括 Kernel 自动生成/调优、编译优化、CUTLASS、TVM、MLIR、LLVM、Nsight、沙箱和 CI/CD

申请策略

  • 申请时建议直接说明自己最匹配的三项能力,例如 C++/Python、GPU Kernel 和 Agent 工具链
  • 面试前了解月之暗面的大模型产品与技术方向,准备将岗位工作与模型研发效率提升关联起来
  • 突出 Python、C++ 项目经历,尤其是工具链、编译器、测试框架、CI/CD 或基础设施相关实践
  • 重点展示 CUDA、Triton、GPU 性能优化、Profiling、Kernel 调优或 Benchmark 建设经验
  • 如果有 Agent 项目,写明 Tool Calling、结构化输出、上下文管理、自动评测或执行反馈机制的设计
  • 补充开源项目、论文、竞赛、技术博客等可验证成果,尤其是 Kernel 自动生成、SWE Agent 或 Agent Evaluation Harness 方向
  • 提前熟悉 CUDA/Triton Kernel 编写、Nsight 或 rocProf 性能分析方法,并能解释一次优化过程
  • 补齐 Agent Evaluation Harness 相关知识,包括任务定义、自动评测、结构化反馈和多轮迭代机制

面试指南

  • 用“背景—目标—方案—结果—复盘”的结构讲项目,重点说明你如何定位问题、设计系统、量化效果
  • 回答技术题时先明确约束条件,例如正确性、性能、成本、可复现性和隔离性,再展开方案取舍
  • 对不熟悉的问题可以给出分层思路:先搭最小闭环,再补自动化评测、反馈机制和可观测性
  • 你如何设计一个 GPU Kernel 生成后的正确性验证流程?
  • 请解释一次你使用 CUDA 或 Triton 做性能优化的经历,包括瓶颈定位和改进方法
  • 如何把编译错误、数值误差和 Profiling 数据转成 Agent 可用的结构化反馈?
  • 你会如何设计一个稳定、可复现的 Kernel Benchmark 体系?
  • 在任务隔离、沙箱、日志追踪和 CI/CD 方面,你有哪些实践经验?

职位点评

薪资福利72
成长发展92
工作生活52
使命价值78

薪资福利

72中等

JD 未披露薪资和福利信息,因此补偿性动机只能基于岗位技术门槛判断,满足程度存在不确定性。作为高技术要求实习岗,若津贴按稀缺技能定价,可能具备一定吸引力。

薪资信号未披露(AI估算:8.0千–1.5万/月)

成长发展

92较高

岗位覆盖 GPU Kernel、Agent、工具链、Benchmark、性能分析和自动评测,技能成长密度很高。JD 明确涉及跨团队落地和复杂基础设施建设,对发展性动机非常友好。

技术前沿前沿/新兴技术
技术栈GPU Kernel、CUDA、Triton、LLM Agent、Tool Calling、Profiling、CUTLASS、TVM、MLIR、LLVM、CI/CD
成长机会跨团队落地
业务类型ambiguous

工作生活

52较低

JD 明确实习仅限北京,但未提及远程、弹性、双休或加班情况,生活化动机满足程度难以判断。现场办公和具体地点需要投递前进一步确认。

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

78中等

岗位服务于 Agent 生成 GPU Kernel 的工具链和研发效率提升,属于 AI 基础设施中的前沿方向。JD 未直接描述社会使命,但技术方向对提升大模型研发效率具有较强价值。

行业发展高速增长赛道
社会影响中性/一般
使命信号提升生成质量和研发效率
创新程度积极采用新技术
Watch Jobs