Software Engineering Intern, AI Automation Infra - 2027

优缺点分析

角色解读

• 短期可在真实的 GPU/AI 基础设施场景中快速积累 Agentic AI、数据自动化与可视化能力，形成可展示的项目集
• 中期可向 AI 平台工程、MLOps/DevOps、性能工程或 AI 工具链研发方向发展，具备较强的职业延展性
• 长期在与全球专家共事的环境中，有机会建立行业人脉与技术影响力（如开源贡献、技术分享）
• 围绕团队的性能测试运营（PerfLab）做 AI 自动化：把人工流程改造成 AI Agent 技能、MCP 工具与 Agentic 工作流，从而提升团队效率
• 搭建数据自动化流水线与基础设施，负责性能测试结果的采集、转换和可视化，并制作交互式看板向内部与外部客户展示基准洞察
• 与英伟达全球的专家协作，参与有业务影响力的工程项目，而不只是做边缘的辅助性开发
• 大量使用 AI 编码工具（Claude Code、Cursor、Codex 等）来完成日常开发，本身也是这些工具的深度实践者
• 扎实的 Python 工程能力，能够编写 CLI 工具、REST API 和跨 Unix/Windows 环境的自动化脚本
• 亲手搭建过 AI 应用的经验，例如 AI Agent、RAG 流水线或 MCP 工具，而不只是调用现成接口
• 对 ML/DL 工作负载有基本理解（CNN、Transformer、LLM），能和算法及性能团队顺畅沟通
• 良好的英文书面与口语表达能力，以及跨地域团队的协作沟通能力

申请策略

• 简历与面试全程准备好英文版本，岗位明确要求优秀的英文书面与口语能力
• 提前了解 PerfLab 的工作性质（性能基准测试与数据分析），在面试中体现你对「用 AI 提升团队效率」这一目标的理解
• 突出用 Python 做的自动化成果：CLI 工具、REST API、跨平台脚本，最好说明解决了什么重复性工作、节省了多少人力
• 单独列出 AI 应用项目：AI Agent、RAG 流水线、MCP 工具，写清楚架构、使用的框架（LangChain/LangGraph/LlamaIndex 等）和实际效果
• 展示数据管道与可视化能力：采集—转换—存储—看板展示的完整链路经历，哪怕是个人项目
• 补充开源贡献、黑客松、技术博客或技术分享等能证明主动性与表达能力的材料
• 补齐 MCP（Model Context Protocol）与 Agentic 工作流的基本概念，动手做一个能调用工具的小型 Agent
• 熟悉至少一个 Agent 框架（LangGraph 或 LlamaIndex），并理解 RAG 的检索、排序、评估环节

面试指南

• 项目类问题用「背景—目标—方案—难点—结果」结构回答，重点讲清楚你做的技术选择以及为什么这样选，并给出可量化的结果
• 设计类问题先澄清需求（数据量、时效性、使用方），再给出分层方案（采集层、处理层、存储层、展示层），最后说明取舍与可扩展性
• 工具/框架类问题不要只背概念，结合自己做过的项目说明什么场景适合用、什么场景不适合，体现判断力
• 请介绍一个你从零搭建的 AI Agent 或 RAG 项目，它的架构是怎样的、遇到过什么问题、最终效果如何？
• 如果要为团队的日常性能测试运营做自动化，你会怎样设计数据采集、转换和可视化的流水线？
• 你如何理解 MCP 工具与 Agentic 工作流？在你的项目中如何决定哪些任务交给 Agent、哪些保留为固定脚本？
• 你对 CNN、Transformer 和 LLM 的训练/推理流程了解多少？性能测试中你会关注哪些指标？
• 你平时如何使用 Claude Code、Cursor 或 Codex 提升开发效率？能举一个具体例子吗？