长江存储
AI Storage 研究员/专家（SSD)(J14570)
AI Storage 研究员/专家（SSD)(J14570)
发布于 大约 15 小时前普通员工/个人贡献者
上海市 / 武汉市
高级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Cuda
Ebpf
Nvme
Rdma
Spdk
Ssd
Vllm
Gpudirect Storage
AI 估算 · 30k–50k
AI存储方向专家级岗位，技术壁垒高，市场需求大，预计薪资位于行业高端水平。
职位详情
关于这个职位
该职位专注于AI存储领域，主导基于SSD的KV Cache卸载与存储调度，通过算法-系统协同优化降低大模型推理延迟、提升吞吐量
你将深入底层，对NVMe协议、NAND特性及GPU直连存储进行深度调优，平衡性能、成本与可靠性
适合具备丰富存储系统开发经验、精通NVMe和CUDA并熟悉大模型推理原理的技术专家
最低要求
计算机、电子工程或相关专业硕士及以上学历，5 年以上存储系统开发经验，其中至少 2 年专注于高性能 NVMe SSD 或 AI 基础设施领域
精通 NVMe 协议 规范，熟悉 Linux 内核存储子系统（Block Layer, Filesystem, io_uring）
熟练掌握 GPUDirect Storage (GDS)、RDMA、CUDA 编程模型，具备 GPU 直连存储的实际开发经验
精通 C/C++ 或 Rust，具备高性能并发系统开发能力，熟悉 SPDK 者优先
深入理解 Transformer 架构及大模型推理原理，熟悉 PagedAttention、Speculative Decoding 等主流推理优化算法的内存/显存访问模式
具备从存储系统角度对推理算法进行协同优化的能力，能够根据算法的 I/O 特征（如 Prefill 与 Decode 阶段的差异）设计高效的调度策略
熟悉 vLLM、DeepSpeed、PyTorch 等框架的 I/O 机制及显存管理逻辑，有相关源码阅读或修改经验者优先
具备极强的性能分析与调优能力，熟练使用 Perf, eBPF, Nsight Systems 等工具定位系统瓶颈（如 I/O 抖动、延迟毛刺、PCIe 带宽利用率等）
工作职责
主导基于 SSD 的 KV Cache 卸载与存储调度，通过算法 - 系统协同优化显著降低推理延迟并提升吞吐量
基于 NVMe 协议及 NAND 特性进行底层深度调优，以平衡性能、成本与可靠性
优先资格
有 ZNS SSD或 Computational Storage (CSD) 项目实际落地经验
在顶级会议发表过相关论文，或是 vLLM 等知名开源项目的核心贡献者
深入理解 NAND Flash 物理特性及 FTL (Flash Translation Layer) 算法原理
AI 洞察
优缺点分析
优点
- 技术前沿性极强，直接参与AI基础设施核心环节，紧跟大模型热潮
- 长江存储是国内存储龙头，平台资源丰富，有机会参与行业标准制定
- 对技能广度要求高，需同时精通存储系统、GPU编程和AI推理算法
- 技术更新快，需要持续学习前沿论文和开源项目，保持竞争力
- 适合拥有丰富存储系统开发经验、热爱底层技术、对大模型推理有浓厚兴趣且善于跨领域协同优化的技术专家
缺点 / 挑战
- 工作内容具有深度和挑战性，能积累底层存储与AI系统协同优化的稀缺经验
- 工作强度可能较大，涉及底层性能调优和系统瓶颈排查，需要极强的耐心和问题解决能力
角色解读
- 成为AI存储领域的顶级专家，主导核心技术演进
- 横向拓展至计算存储（CSD）、ZNS SSD等前沿方向，引领行业标准
- 向架构师或技术总监发展，负责整体AI基础设施的存储方案设计
- 主导SSD基于KV Cache的卸载与调度，优化大模型推理性能
- 深入NVMe协议和NAND特性进行底层调优，平衡性能、成本与可靠性
- 使用GPUDirect Storage、RDMA等技术实现GPU直连存储，减少数据搬运延迟
- 协同推理算法与存储系统，设计针对Prefill/Decode阶段的I/O调度策略
- 精通NVMe协议、Linux内核存储子系统和io_uring
- 熟练使用GPUDirect Storage、RDMA、CUDA进行GPU直连存储开发
- 掌握C/C++或Rust，具备高性能并发系统开发能力，熟悉SPDK
- 深入理解Transformer及大模型推理原理（PagedAttention等），熟悉vLLM/DeepSpeed框架的I/O机制
申请策略
- 了解长江存储在AI存储方向的战略布局，在面试中表达对技术路线的见解
- 准备好一个完整的项目案例，从问题定义到方案设计、实施优化和最终收益
- 突出NVMe、GDS、RDMA等存储相关项目经验，特别是与GPU直连或AI推理相关的优化案例
- 强调对vLLM、DeepSpeed等框架源码的修改或性能分析经历
- 展示性能调优成果，如使用Perf/eBPF定位并解决I/O抖动的具体实例
- 如有开源贡献或顶级论文，务必显著标注
- 深入学习SPDK和io_uring，掌握用户态存储栈的开发
- 熟悉PagedAttention、Speculative Decoding等推理优化算法的内存访问模式
面试指南
- 技术原理类问题：先阐述基本原理，再结合实际项目经验说明应用场景和优化效果
- 系统设计类问题：从需求分析入手，提出多种方案并对比优劣，最后给出推荐方案及理由
- 问题排查类问题：按照“现象-假设-验证-结论”的流程，展示系统性思维和使用工具的方法
- 请详细解释NVMe协议中的SQ/CQ机制，以及如何通过SPDK提升I/O性能
- 在大模型推理中，KV Cache卸载到SSD的常见挑战有哪些？如何通过算法-系统协同优化？
- 描述一次使用eBPF或Perf定位存储性能瓶颈的经历，具体是怎么分析和解决的？
- GPUDirect Storage相比传统CPU拷贝的优势是什么？实现中需要关注哪些关键技术点？
- 请比较PagedAttention和vLLM中显存管理策略的异同，并讨论其对存储I/O的影响
职位点评
71
综合评分
AI存储前沿技术岗，高成长性，薪资未明但预期优厚，需现场办公且可能有较高工作强度。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最适合追求技术前沿和个人成长，对工作强度有心理准备，不太在意工作地点灵活性的资深存储专家。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展90
工作生活40
使命价值80
薪资福利
70中等
薪资未在JD中明确，但高级专家岗位通常具有竞争力，且长江存储为行业龙头，福利体系完善。但未提及具体福利，给予中等偏上评分。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
90较高
岗位涉及最前沿的AI存储技术，如KV Cache卸载、GPUDirect Storage等，技术成长空间极大。且公司平台能提供与顶级开源社区互动的机会。
技术前沿前沿/新兴技术
技术栈NVMe、GPUDirect Storage、RDMA、CUDA、SPDK、vLLM、PagedAttention
业务类型profit_center
工作生活
40较低
JD未提及远程或弹性工作，且要求现场办公。工作强度可能较大，但未明确加班情况。上海/武汉的工作地点属于科技园区域，通勤时间可能较长。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
AI基础设施是当前高速增长赛道，该岗位直接贡献于大模型推理效率提升，具有显著的技术影响力。然而社会影响中性，不直接面对终端用户。
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
长江存储 的其他在招职位
相似职位推荐
Watch Jobs