【快Star】GPU混部调度研发工程师

优缺点分析

角色解读

• 从GPU调度工程师向Infra架构师发展，深入算力平台设计
• 横向扩展：可转向AI平台、分布式系统、云计算等方向
• 纵向晋升：技术专家路线或技术管理路线均可，快手内部通道清晰
• 负责GPU集群的资源调度与优化，通过分析利用率指标挖掘提升空间
• 设计并实现虚拟化混部技术方案，提升GPU供给能力
• 参与大模型推理执行优化，设计高效的推理流水线
• 扎实的编程基础：熟练掌握Java或Python，具备服务端开发经验
• 容器与编排技术：了解Docker/Containerd，理解Kubernetes调度原理
• 大模型框架：熟悉vLLM、SGLang、PyTorch等推理或训练框架

申请策略

• 关注快手技术博客或开源项目，面试时展示对快手技术栈的了解
• 准备一个项目案例说明你如何优化资源利用或提升系统效率
• 突出Java或Python服务端开发项目经验，尤其是高并发或分布式相关
• 展示对Docker/Kubernetes的实践理解，如容器化部署、集群管理
• 如有大模型推理或训练框架的使用/二次开发经历，务必重点描述
• 补充Kubernetes调度原理及GPU虚拟化技术（如NVLink、MIG）
• 深入理解vLLM或SGLang的架构，尝试阅读源码或贡献

面试指南

• 技术原理类：先解释核心概念，再结合实际场景说明应用，最后点出权衡
• 项目经验类：按STAR法则（情境、任务、行动、结果）清晰陈述，突出个人贡献
• 开放设计类：明确目标，拆解模块，给出可行方案并讨论边界条件
• Kubernetes调度器如何实现GPU资源的分配与隔离？
• 描述一下你理解的大模型推理服务中的性能瓶颈及优化思路
• Docker和Containerd在容器运行时中的区别是什么？
• 如何设计一个虚拟化混部方案来提升GPU利用率？
• 请分享一个你解决过的复杂系统性问题，并说明过程