Algorithm Engineer

优缺点分析

角色解读

• 在ADAS与HPC这一前沿领域深耕，成为AI基础设施与自动化方向的技术专家
• 随着业务剥离独立发展，有机会参与新公司的技术架构从0到1的建设，积累创业式经验
• 向资深算法工程师或技术负责人发展，甚至未来转型为算法与基础设施融合方向的技术Leader
• 设计和维护ADAS算法工作流的全套AI基础设施与自动化工具链，涵盖从模型训练到部署的全流程
• 与DevOps、数据工程和算法团队紧密协作，打通工具与环境间的依赖关系，确保项目高效推进
• 推动模型部署框架（包括本地LLM）的技术选型与实施，直接提升系统的可扩展性和稳定性
• 精通Python，熟悉Linux环境和Shell脚本，这是日常开发的基础
• 了解CI/CD流程和AI模型工作流（训练/推理），具备基本的DevOps意识
• 有模型部署经验或LLM本地部署经验是重要加分项
• 良好的软件问题排查能力和团队协作精神，善于学习新技术

申请策略

• 在面试中展现对端到端AI工作流的理解，以及跨团队协作的沟通能力
• 关注公司ADAS业务剥离的动态，体现你对业务发展的理解和兴趣
• 突出Python和Linux的熟练程度，附上相关项目或代码库链接
• 详细描述在模型部署或AI管线自动化方面的实际经验，包括使用的框架和工具
• 如果有CI/CD或DevOps相关经历（如Jenkins、GitLab CI、Docker），务必重点展示
• 如有LLM本地部署经验（如使用ollama、vLLM、llama.cpp等），占据简历显眼位置
• 补充MLOps相关技能，如Kubernetes、Docker、MLflow、Kubeflow等
• 熟悉主流模型部署框架（TensorRT、ONNX、Triton Inference Server）的基本用法

面试指南

• STAR法则：描述情境、任务、行动和结果，突出个人贡献和学习能力
• 技术选型对比法：面对问题时，列出可选方案并比较优劣，展示技术广度
• 先定义问题再讲方案：展现结构化思维，从问题边界入手逐步深入
• 请描述一个你设计或参与的AI模型部署项目，包括技术选型和遇到的挑战
• 你如何保证AI管线（训练到部署）的自动化与稳定性？
• 对于LLM本地部署，你了解哪些方案？做过哪些实践？
• 当你需要协调算法团队和运维团队时，如何确保双方需求对齐？
• Python中你如何处理大型数据集或模型文件的I/O性能问题？