【地瓜机器人】AI编译器研发工程师（校招）

优缺点分析

角色解读

• 可从编译器模块开发逐步成长为AI编译器/NPU软硬件协同方向的核心工程师
• 随着大模型端侧部署经验积累，可向推理引擎、量化工具链或系统架构方向发展
• 在AI芯片与机器人交叉领域，长期可走向技术专家或团队负责人路径
• 参与端侧NPU AI编译器的设计与实现，针对SIMT、多级缓存和互联架构做编译优化
• 面向机器人和具身智能模型做端到端性能优化，开展软硬件协同分析与设计
• 开发模型性能仿真工具，并参与大模型推理引擎与MOE冷热分离等优化
• 建设LLM/VLM压缩量化工具链，把前沿推理技术落到端侧NPU
• 扎实的C/C++与Python编程能力，理解常用数据结构和算法
• 具备编译器、LLM推理或软硬件协同方向的项目/学习基础
• 熟悉计算机体系结构，理解NPU/SIMT/缓存/异构编程者更佳
• 有MLIR/TVM/Triton/vLLM等社区经验或算子优化经验是明显加分项

申请策略

• 投递时注明更倾向北京还是上海，并关注系统架构部/地瓜机器人业务方向
• 准备好能体现问题拆解和软硬件协同思维的项目细节，面试中主动说明优化思路与收益
• 突出C/C++/Python项目，尤其是编译器、算子优化、性能分析或异构编程经历
• 若有MLIR/TVM/Triton/vLLM等社区贡献或课程项目，写明具体模块与优化效果
• 用数据说明模型推理加速、量化压缩、缓存/并行优化等成果
• 展示计算机体系结构、Linux开发与调试能力，以及软硬件协同分析经验
• 补强编译原理、计算机体系结构、SIMT/缓存层次和异构编程基础
• 动手复现TVM/MLIR/Triton或vLLM中的小优化，形成可讲解的项目案例

面试指南

• 项目题用“背景-目标-方案-权衡-结果”结构，突出你如何定位瓶颈和验证收益
• 技术题先讲体系结构约束，再讲编译/推理优化手段，最后说明适用边界与风险
• 开放题展示学习路径和社区实践，承认不确定点并给出验证思路
• 请介绍一个你做过的编译器、算子优化或性能优化项目，关键瓶颈是什么？
• 针对NPU的SIMT架构和多级缓存，你会如何设计或选择编译优化？
• LLM/VLM端侧推理有哪些性能瓶颈？量化和MOE冷热分离能解决什么问题？
• 你如何理解软硬件协同设计？举一个分析或优化案例
• 是否了解MLIR/TVM/Triton/vLLM？读过哪些相关源码或做过哪些贡献？