蚂蚁集团
蚂蚁集团-资深训练系统研发工程师-北京/上海/杭州
蚂蚁集团-资深训练系统研发工程师-北京/上海/杭州
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Go
Pytorch
Tensorflow
分布式训练
可观测性
系统架构
值不值得投
81综合评分
综合评分 81
AI 基建核心岗、技术栈前沿、成长空间大，工作强度与跨部门协作要求较高
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
4.8万
比机器学习工程中位数高
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 820 个在招 · 其中机器学习工程 59 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 520 个在招
职位详情
关于这个职位
负责搜广推（搜索、广告、推荐）离线训练及在线学习场景的训练系统设计、开发与稳定性建设
深入理解算法用户痛点，将业务需求转化为可复用的系统能力，并负责与内部调度、数据流、存储等平台的集成
同时推进TensorFlow/PyTorch等框架适配、任务可观测性建设及技术债务治理，提升整体训练效率与用户体验
最低要求
● 计算机相关专业本科及以上学历，具备扎实的计算机基础和良好的工程能力，二年以上工作经验
● 具备后端或系统研发经验，熟悉分布式系统、任务调度、数据处理、存储或可观测性中的一个或多个方向
● 熟练掌握 Python，并熟悉 Java、C++、Go 中至少一种语言，具备跨语言定位问题的能力
● 理解机器学习训练的基本流程，使用或维护过 TensorFlow、PyTorch 等训练框架
● 熟悉 Kubernetes、容器化和分布式任务运行机制，具备线上系统稳定性建设及故障排查经验
● 能够独立负责复杂系统或核心模块，在保障业务连续性的同时推进技术演进和历史问题治理
● 具备用户视角、技术产品判断和跨团队推动能力，能够抽象需求并合理判断功能边界、用户价值及长期维护成本
工作职责
● 负责搜广推训练系统的设计、开发和稳定性建设，覆盖离线训练及在线学习场景
● 深入理解算法用户的训练流程和实际痛点，将业务需求抽象为可复用、可演进的系统能力
● 负责训练系统与公司内部调度、数据流、存储、模型管理及通用训练平台的集成
● 负责 TensorFlow、PyTorch，以及 TorchRec、PyTorch Lightning 等相关组件的内部适配和演进
● 建设训练任务的可观测、智能诊断和故障恢复能力，提升用户自助排障效率
● 负责训练平台后端及相关工具建设，推动任务提交、运行、诊断和模型产出流程标准化
● 治理版本碎片化和历史技术债务，推进公共能力复用及系统架构收敛
● 与算法、数据、调度、存储等团队协作，持续提升训练效率、稳定性和用户体验
优先资格
● 有搜索、推荐、广告训练或在线学习系统经验
● 有分布式训练、Embedding、Parameter Server、TorchRec 或大规模稀疏模型经验
● 有面向算法用户建设训练平台、机器学习平台、数据平台或任务调度平台的经验
● 有 Elastic Training、Checkpoint、训练节点恢复、故障注入或可观测体系建设经验
● 有存量系统治理、平台能力收敛、版本治理或用户迁移经验
● 有使用 AI Coding 完成平台前后端迭代的实践经验
AI 洞察
优缺点分析
优点
- 聚焦 AI 核心基础设施，技术栈前沿且深度高
- 背靠头部科技企业，资源充足且业务场景丰富
- 能直接赋能算法团队，技术影响力大
- 历史技术债务治理与架构收敛过程复杂，跨团队协调成本高
- 适合热衷于底层系统架构、对 AI 基础设施有浓厚兴趣，且具备强工程落地与跨团队推动能力的资深研发工程师
缺点 / 挑战
- 需兼顾系统稳定性与快速迭代，线上故障排查压力大
角色解读
- 可向高级/首席机器学习基础设施专家发展
- 也可横向拓展至 AI 平台架构师或技术管理岗位
- 在 AI 大模型与自动化训练趋势下，具备极高的行业稀缺性与晋升空间
- 设计并开发支撑搜索、广告、推荐业务的机器学习训练系统
- 负责训练平台与内部调度、数据、存储等基础设施的深度集成
- 构建系统的可观测性、智能诊断与故障恢复机制
- 精通 Python 及至少一门其他后端语言
- 深入理解分布式系统与容器化技术（K8s）
- 熟悉 TensorFlow/PyTorch 训练框架原理及生态
- 具备大型平台架构设计与技术债务治理能力
申请策略
- 提前了解目标公司在 AI Infra 领域的公开技术博客或开源项目
- 面试时重点准备架构设计题与线上故障排查案例
- 突出分布式训练系统开发经验、K8s/容器化实战案例、Python/Go 等多语言编程能力
- 量化展示系统稳定性提升指标（如故障率降低、训练效率提升百分比）
- 深入研读 TensorFlow/PyTorch 源码及分布式训练理论（如 Parameter Server, Data Parallelism）
- 补充云原生可观测性工具链（Prometheus, Grafana, Jaeger）实战经验
面试指南
- 采用 STAR 法则阐述项目背景、个人角色、技术选型依据及最终量化成果
- 针对架构题，先讲清核心诉求（性能/稳定/易用），再分层说明计算、存储、调度层设计，最后补充监控与兜底策略
- 请描述你参与过的最大规模分布式训练系统架构及遇到的瓶颈
- 如何设计一个高可用的训练任务调度与容错机制？
- 面对历史技术债务，你会如何制定重构与迁移方案？
- 如何优化 PyTorch/TensorFlow 在特定硬件上的训练性能？
- 复习分布式计算基础理论与主流 AI 框架底层原理
- 整理 1-2 个完整的线上故障复盘案例，清晰说明根因分析、临时止血与长期修复方案
职位点评
薪资福利85
成长发展90
工作生活65
使命价值75
薪资福利
85较高
岗位提供具有市场竞争力的薪酬体系与完善福利，虽 JD 未明确具体数字，但资深研发岗位的薪资信号通常为偏高。
薪资信号偏高 (3.5千–6.0万/月)
成长发展
90较高
岗位深度绑定 AI 训练基础设施，技术栈前沿且业务场景复杂，能提供极佳的技术成长与平台架构演进机会。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、Kubernetes、分布式训练、可观测性
业务类型profit_center
工作生活
65中等
互联网大厂核心研发岗通常节奏较快，JD 未提及弹性或远程政策，现场办公为主，但公司文化相对注重技术氛围。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
75中等
致力于构建高效稳定的 AI 训练底座，直接赋能搜索、推荐等核心业务，具有显著的技术价值与行业影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
蚂蚁集团 的其他在招职位
相似职位推荐
Watch Jobs