AI驱动的算子开发实习生

优缺点分析

角色解读

• 从算子开发实习生起步，深入掌握GPU/BPU底层优化技能，成为高性能计算专家
• 向AI系统工程师方向发展，结合LLM与底层系统，推动AI辅助开发的工业化应用
• 未来可转型为算法工具链或推理框架研发，或继续深造从事体系结构研究
• 利用大语言模型和AI Agent工具（如Claude Code、Cursor）辅助开发高性能算子，包括GPU（CUDA）和BPU方向
• 参与构建AI辅助开发体系，设计Prompt和Agent工作流，实现自动代码生成、调优和性能分析
• 优化大模型推理系统中的关键算子，如Attention、KV Cache和MoE，并跨硬件平台适配
• 沉淀技术文档和最佳实践，推动开发流程的智能化
• 扎实的C/C++或Python编程基础，能够高效实现和调试复杂算法
• 对系统性能优化有热情，掌握至少一种并行计算/体系结构/编译器基础，或CUDA/NPU经验
• 熟练使用Agent Coding工具（Cursor、Claude Code、Copilot），能利用AI进行代码生成、重构和优化
• 理解LLM基本原理，有Prompt Engineering或Agent开发经验，能拆解复杂任务

申请策略

• 在简历中明确表达对AI+底层系统结合的兴趣，可附上相关博客或笔记链接
• 关注地平线的技术博客和开源项目，面试时展示对公司的了解和热情
• 突出C/C++和Python编程能力，附上相关项目或课程代码示例（如GitHub链接）
• 强调并行计算或GPU编程经验，如CUDA项目、并行算法竞赛或性能优化成果
• 展示Agent Coding工具使用经验，例如用Cursor或Copilot重构代码的案例
• 如有LLM相关项目或Prompt Engineering实践，详细描述具体工作和效果
• 提前熟悉CUDA编程基础，完成几个简单的算子优化（如矩阵乘法、卷积）并分析性能
• 深入了解Coding Agent工具的高级用法，如Claude Code的会话管理、Cursor的代码索引

面试指南

• 回答技术问题时，先阐述基本原理（如线程模型、访存模式），再结合自己的项目经验说明优化思路
• 对于AI辅助开发问题，遵循“任务拆解→Prompt设计→验证迭代”的流程，强调可复现性和工程落地
• 在展示方案时，关注性能指标（吞吐、延迟、显存）和权衡，体现系统思维
• 请解释CUDA中warp和block的调度机制，以及如何优化warp divergence
• 你如何设计一个Prompt让LLM生成高效的CUDA kernel？请举例
• 如何优化Attention算子的显存占用和计算效率（如Flash Attention原理）？
• 描述一次你使用AI辅助编码的经历，具体解决了什么技术问题？
• 你对硬件加速器BPU的理解？与GPU相比，编程约束有何不同？