蚂蚁集团-系统工程师 / 大模型基础设施方向-百灵特种兵

优缺点分析

角色解读

• 技术专家方向：深耕AI基础设施，成为大模型系统优化领域的权威专家
• 架构师方向：参与大规模分布式系统设计，成长为系统架构师
• 管理方向：带领SRE团队，负责基础设施稳定性与效率治理
• 负责大模型训练、推理、评测链路的系统工程建设，保障系统稳定性与资源效率
• 参与计算、网络、存储基础设施建设，支撑大规模模型训练与推理场景
• 深入分析系统瓶颈，定位性能抖动、任务失败等根因并推进长期治理
• 建设可观测、可诊断、可回归的体系，并跨团队协同推动端到端优化
• 扎实的计算机系统基础，熟悉操作系统、Linux内核、容器、调度、资源隔离与性能分析
• 网络与存储知识，熟悉TCP/IP、RDMA、RoCE、NCCL、分布式存储及I/O性能分析
• 复杂问题解决能力，能结合日志、指标、trace、系统调用进行端到端分析
• 工程化能力，通过工具化、自动化、可观测性建设沉淀系统性能力

申请策略

• 关注蚂蚁集团技术博客和开源项目（如Kusionstack、SOFAStack），提前了解其技术栈文化
• 准备一个典型的系统问题case，从现象到根因再到工程化解决，展现系统性思维
• 突出系统底层项目经验：内核、容器、网络、存储相关的优化或稳定性工作
• 强调大规模系统稳定性建设或性能优化案例，量化性能提升和故障改进效果
• 如有NCCL/RDMA/eBPF等高性能计算经验，务必重点展现
• 展示可观测性平台、自动化工具或SRE方法论的落地成果
• 补充大模型训练链路知识，理解训练/推理框架（如PyTorch、DeepSpeed）与底层基础设施的交互
• 学习eBPF、perf、gdb等性能分析工具，并深入理解Linux内核网络与存储栈

面试指南

• 采用STAR法则（情境-任务-行动-结果）组织案例，突出个人角色和量化成果
• 从系统视角分层分析：现象→指标→日志→代码→内核，层层递进定位根因
• 强调工程化沉淀，不仅解决单点问题，还通过工具、平台或机制避免重复发生
• 如何定位分布式训练中出现的通信慢或性能抖动问题？
• 描述一次线上故障的完整root cause分析过程及后续治理措施
• 如何设计一个大规模集群的可观测性系统？需要覆盖哪些维度？
• RDMA和NCCL的工作原理是什么？在调优时有哪些关键参数和实践？
• 面对大规模训练任务资源利用率低的情况，你会如何分析和优化？