边缘计算人工智能开发工程师

优缺点分析

角色解读

• 在技术深度上，可向大模型推理优化、边缘AI系统架构方向深耕
• 在管理路径上，可发展为技术负责人或团队Leader，带领边缘计算项目
• 在科研转化方面，可申请专利、发表论文，成为产学研结合的专家
• 搭建边缘侧MaaS底层平台，部署大模型推理引擎并开发工具链
• 定制研发MaaS平台，针对工业场景实现功能开发和业务需求落地
• 撰写技术文档、专利软著，参与联合实验室的科研攻关和成果转化
• 深入理解LLM、Agent、推理平台等概念，熟悉主流大模型产品
• 掌握Ray、vLLM、llama.cpp等推理框架，具备二次开发能力
• 熟练Python编程，具备Linux系统开发和容器化部署经验
• 良好的学习创新能力，能快速跟进大模型新技术方向

申请策略

• 了解浪潮在边缘AI领域的业务布局（如工业互联网、智慧城市），在面试中展示匹配度
• 准备一个完整的项目案例，从需求分析到部署实现，突出你在其中的贡献
• 突出LLM、Agent等相关项目经验，特别是推理框架的使用或二次开发案例
• 展示Python、Linux、容器化（Docker/K8s）的实际项目成果
• 如果有专利或软著撰写经历，务必列出，体现文档能力
• 强调学习能力，如快速跟进新技术的实例（如从LLaMA到llama.cpp的迁移）
• 系统学习Ray、vLLM、llama.cpp的源码和部署流程，掌握相关工具链
• 补充边缘计算相关知识，如边缘设备资源限制下的模型优化技巧

面试指南

• 对于技术原理类问题，采用'背景-原理-优缺点-改进思路'的框架，展现深度理解
• 对于项目经历类问题，采用'STAR'法则（情境-任务-行动-结果），突出个人贡献和量化成果
• 对于学习能力类问题，结合具体实例说明如何跟踪前沿、快速上手新技术
• 请谈谈你了解的大模型推理框架（如vLLM、llama.cpp）的原理和适用场景
• 如何将一个大模型部署到边缘设备上？需要考虑哪些性能优化？
• 描述一次你使用Python进行系统开发或容器化部署的经历
• 你如何保持对大模型领域新技术的学习？请举例说明
• 请分享一个你撰写的技术文档或专利的案例