深信服
存储研发工程师/专家
存储研发工程师/专家
发布于 2 个月前普通员工/个人贡献者
全职员工仅现场办公后端开发
后端开发
Ai存储
Ceph
Go
Hdfs
Nvme
Rdma
Spdk
分布式存储
向量数据库
值不值得投
69综合评分
综合评分 69
AI存储方向，技术前沿，薪资可观，但WLB一般。
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
3.5万
与后端开发中位数基本持平
发布情况
长期在招 · 71 天前发布
公司情况
这家公司招聘很活跃
98 个在招
市场机会
选择面较广
深圳 · 后端开发 · 约 120 个在招
职位详情
关于这个职位
该职位负责AI场景下的存储系统设计与开发，涉及分布式存储和集中式存储，需要深入理解存储原理和Linux系统编程
工作内容包括存储系统架构设计、性能调优、前沿技术调研等
适合具备扎实C/C++/Go功底和存储领域经验的工程师
最低要求
计算机、通信、电子等相关专业本科及以上学历
年以上存储系统研发经验，具备扎实的工程代码能力和良好的编程习惯
精通Linux/Unix平台下的C/C++/Go中至少一门语言，深入理解操作系统、网络、数据结构和算法
存储专业知识：
）熟悉分布式存储系统（如Ceph、HDFS、GlusterFS）或传统集中式存储/存储阵列的架构、原理与开发
）熟悉存储核心原理，如文件系统、IO栈、数据一致性、容错、快照、EC等
）熟悉高性能存储技术栈（如SPDK、RDMA、NVMe）者优先
AI与新兴存储知识（核心）：
）熟悉AI工程优化，了解大模型训练/推理的基本流程和性能瓶颈
）对向量数据库、记忆存储、图数据库等AI相关存储技术有比较深入的了解或实践经验
）熟悉主流AI Infra解决方案及云存储生态者优先
软技能：
具备优秀的问题分析解决能力和技术热情，能胜任挑战性工作
具有良好的团队协作精神、沟通能力和学习能力
工作职责
AI存储系统设计与开发：负责设计与开发面向AI场景（如大模型训练、推理、向量检索）的存储系统，探索存储系统与AI框架的深度集成与性能优化
分布式/集中式存储研发：参与分布式存储系统（块、文件、对象）或传统存储阵列的架构设计、核心功能开发、性能调优及线上故障处理
前沿技术研究与落地：持续跟进AI与存储领域的前沿技术和开源方案（如向量数据库、记忆存储、新型存储硬件），进行技术调研、原型验证，并推动其在产品中落地，提升存储产品的智能化竞争力
系统质量保障：编写高质量代码，设计测试方案，维护技术文档，并参与代码评审，确保系统的稳定性、可靠性和可扩展性
优先资格
）有分布式一致性算法（如Raft、Paxos）、LSM Tree、KV数据库（RocksDB、etcd）等相关研发或源码阅读经验
）熟悉数据库存储引擎（如TiDB、InnoDB）或AI推理加速框架（如vLLM、TensorRT-LLM）
）在相关开源社区有活跃贡献
AI 洞察
优缺点分析
优点
- AI存储是热门方向，技术前沿，个人成长快
- 深信服是上市公司，平台稳定，技术积累深厚
- 可深入底层系统研发，技能壁垒高，市场竞争力强
- 技术栈要求广，需同时掌握存储和AI知识，学习成本高
- 可能面临快速迭代和加班，工作生活平衡需自行把握
缺点 / 挑战
- 存储系统复杂度高，工作压力大，需要处理线上故障
- 适合对底层系统技术有热情、喜欢挑战、愿意持续学习存储和AI技术的工程师
角色解读
- 从存储研发工程师向存储架构师或AI基础设施专家发展
- 随着AI应用爆发，存储系统价值凸显，可深入AI Infra领域成为技术专家
- 也可转向技术管理，带领存储研发团队
- 负责AI存储系统的设计与开发，包括大模型训练/推理场景下的存储优化
- 参与分布式/集中式存储系统的架构设计、核心功能开发和性能调优
- 跟踪前沿技术，如向量数据库、新型存储硬件，进行原型验证并落地
- 编写高质量代码，设计测试方案，维护文档，参与代码评审
- 精通C/C++/Go，深入理解操作系统、网络、数据结构和算法
- 熟悉分布式存储系统如Ceph、HDFS，或传统存储阵列的原理与开发
- 了解AI工程优化，熟悉大模型训练/推理流程和性能瓶颈
- 熟悉向量数据库、记忆存储等AI相关存储技术
申请策略
- 关注深信服的产品方向，了解其在AI存储上的布局
- 准备项目中遇到的存储性能问题的分析和解决思路
- 突出存储系统项目经验，如Ceph、HDFS等分布式存储的二次开发或性能优化
- 展示C/C++/Go的扎实功底，如开源贡献、内核优化等
- 如有AI相关存储实践，如向量数据库、大模型训练存储优化，重点提及
- 体现问题解决能力，如线上故障处理案例
- 补充学习SPDK、RDMA、NVMe等高性能存储技术
- 了解主流AI框架（如PyTorch）的存储IO行为和数据加载优化
面试指南
- 用STAR法则描述项目：情境、任务、行动、结果，突出技术难点和量化成果
- 针对存储问题，从IO路径分层分析：硬件层、驱动层、文件系统、应用层，逐层排查
- 对于AI存储问题，结合数据加载、checkpoint、容灾等场景说明优化思路
- 请介绍一下你参与过的存储系统架构，遇到过哪些性能瓶颈？
- 如何理解分布式存储的一致性？Raft和Paxos的区别？
- 大模型训练对存储系统提出哪些挑战？如何优化数据IO路径？
- 向量数据库的原理是什么？你用过哪些？
- 如何排查存储系统的性能问题？请举例说明
职位点评
薪资福利75
成长发展85
工作生活40
使命价值65
薪资福利
75中等
职位薪资预计较高，公司平台稳定，但具体福利未在JD中明确，仍有提升空间。
薪资信号未披露（AI估算：2.5–4.5万/月）
成长发展
85较高
职位聚焦AI存储前沿技术，有大量学习和成长机会，技术栈先进。
技术前沿前沿/新兴技术
技术栈C++、Go、Ceph、HDFS、SPDK、RDMA、NVMe、向量数据库、AI Infra、TensorRT-LLM
业务类型ambiguous
工作生活
40较低
JD未提及弹性工作，存储系统维护可能涉及加班，工作生活平衡一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
65中等
AI存储属于高速增长赛道，对AI基础设施有重要价值，意义感中等。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs