英伟达
Deep Learning Solution Architect - Agentic Performance
Deep Learning Solution Architect - Agentic Performance
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公解决方案
解决方案
Gpu计算
Pytorch
Rag
分布式训练
大语言模型(Llm)
容器化部署
解决方案架构
值不值得投
82综合评分
综合评分 82
顶尖AI技术栈、前沿智能体方向、高成长性平台，侧重技术商业化落地
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
8.3万
比解决方案中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 330 个在招 · 其中解决方案 9 个
市场机会
选择面较广
北京 · 解决方案 · 约 150 个在招
职位详情
关于这个职位
负责为企业客户设计并交付基于NVIDIA软硬件生态的生成式AI解决方案，涵盖大模型预训练/微调、高性能推理、RAG工作流及智能体编排
需深入理解业务挑战，主导分布式训练优化与性能调优，并提供售前技术支持与最佳实践指导
最低要求
计算机科学、人工智能或相关领域的硕士/博士学位（或同等经验）
年以上AI领域实战经验，专注于开源大语言模型（LLM）的训练、微调及生产环境推理优化
深入理解主流LLM架构，熟练掌握通过PyTorch和Hugging Face Transformers进行LLM定制开发
扎实的GPU计算、集群架构知识，以及LLM分布式并行训练/推理能力
具备智能体（Agentic）推理设计能力，并能运用AI Agent解决业务挑战
出色的沟通能力，能够向技术与非技术利益相关者清晰阐述复杂的技术概念
工作职责
基于NVIDIA软硬件平台，设计端到端的解决方案，专注于LLM预训练、微调、高性能推理、RAG工作流及智能体推理编排
与客户紧密合作，深入了解其LLM相关的业务挑战，设计与NVIDIA生态契合的定制化解决方案
主导LLM训练、分布式优化及性能调优，以实现最佳的吞吐量、延迟和内存效率
将RAG工作流和智能体推理管道集成到客户系统中
提供最佳实践的技术指导
与NVIDIA工程团队协作，提供反馈并支持售前技术活动（如研讨会、演示）
优先资格
熟悉NVIDIA生成式AI生态系统的实战经验（如TRT-LLM、Megatron-LM、NVIDIA NeMo）
精通LLM优化高级技能（如量化、KV Cache调优、内存占用缩减）
具备使用Docker和Kubernetes在本地部署容器化LLM及Agent工作流的经验
深入掌握多GPU并行技术及大规模GPU集群管理经验
AI 洞察
优缺点分析
优点
- 依托NVIDIA全球领先的AI算力生态，接触最前沿的大模型与智能体技术
- 面向头部企业客户，项目含金量高，能积累深厚的行业解决方案经验
- 完善的培训体系与国际化技术社区资源，技术视野开阔
- 需同时兼顾技术深度与客户沟通，对综合能力要求极高
- 前沿技术迭代快，需持续跟进LLM与Agent最新进展以保持竞争力
- 售前支持可能伴随一定的出差或高强度会议节奏
- 适合具备扎实AI底层技术功底、热爱技术商业化落地，且擅长跨团队沟通协作的复合型技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席解决方案架构师或AI技术总监方向发展，深耕垂直行业AI落地
- 也可转向AI产品战略或技术销售管理，拓宽商业与技术复合能力
- 负责为企业客户设计基于NVIDIA软硬件的生成式AI解决方案，涵盖大模型训练、推理优化及智能体编排
- 深入参与售前技术支持，主导技术研讨与产品演示，搭建技术与商业的桥梁
- 作为核心架构师，将复杂的LLM/RAG需求转化为可落地的高性能工程方案
- 精通大语言模型架构与微调技术，熟练使用PyTorch/Hugging Face等主流框架
- 掌握GPU集群管理与分布式训练/推理优化，熟悉NVIDIA生成式AI工具链
- 具备优秀的跨部门沟通与客户需求转化能力，能清晰阐述复杂技术概念
申请策略
- 关注英伟达近期发布的AI框架更新与行业白皮书，面试时可结合具体业务场景提出架构优化思路
- 提前了解目标客户所在行业的AI痛点，展现从技术到商业的价值转化能力
- 突出大模型训练/推理优化的具体项目成果，量化性能提升指标
- 详细列出NVIDIA相关工具链（如NeMo/TRT-LLM）或同类GPU加速框架的使用经验
- 强调客户对接与技术方案宣讲的成功案例，体现业务洞察力
- 系统学习NVIDIA GenAI生态组件，掌握多卡并行训练与显存优化技巧
- 补充云原生部署（K8s/Docker）与大模型安全合规相关知识
面试指南
- 采用STAR法则结构化回答项目经历，重点突出技术选型依据、性能对比数据及最终业务价值
- 针对架构设计类问题，先明确业务边界与核心诉求，再分层给出基础方案与进阶优化路径
- 保持技术严谨性与商业灵活性的平衡，用客户能听懂的语言传递技术价值
- 请分享一个你主导的LLM微调或推理优化项目，遇到的最大瓶颈及如何解决？
- 如何向非技术背景的客户解释RAG架构的优势与局限？
- 面对客户复杂的定制化需求，你会如何平衡NVIDIA标准方案与个性化开发？
- 复习分布式训练通信原理与GPU内存管理机制，准备1-2个完整的端到端AI项目复盘
- 梳理NVIDIA官方文档中的性能调优指南，熟悉常见benchmark测试方法
职位点评
薪资福利85
成长发展92
工作生活65
使命价值78
薪资福利
85较高
薪资福利处于行业领先水平，结合核心技术岗位定位与市场对标，整体补偿性动机满足度较高。
薪资信号偏高 (6.5千–10.0万/月)
福利待遇丰厚福利套餐
成长发展
92较高
岗位聚焦大模型训练、RAG及智能体推理等前沿方向，技术栈极具前瞻性，个人成长空间广阔。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agentic Inference、PyTorch、Hugging Face、TRT-LLM、Megatron-LM、NeMo
业务类型profit_center
工作生活
65中等
未明确提及弹性办公或WLB政策，但外企通常有一定灵活性；售前技术支持可能涉及一定出差或会议强度。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
78中等
致力于推动企业级AI落地与智能化转型，技术成果直接赋能千行百业，具备较强的行业应用价值与社会影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
英伟达 的其他在招职位
相似职位推荐
Watch Jobs