算法引擎/AI infra工程师-【社区科学线】

优缺点分析

角色解读

• 技术专家路线：深耕AI基础设施底层技术，成为生成式推荐引擎或AI infra领域顶尖专家
• 架构师路线：主导端到端系统架构设计，从推理框架到训练体系全链路把控
• 管理路线：带领团队攻坚世界级难题，逐步成长为技术管理者
• 设计和实现生成式推荐模型推理框架，优化推荐、广告、搜索等核心业务的推理性能
• 构建软硬件协同体系及超大容量池化调度平台，研发高吞吐低延迟的在线策略引擎
• 开发高可靠、高扩展的策略引擎，支撑日级万次迭代的快速实验和部署
• 优化大模型训练-推理引擎，跟进AI编译器、GPU调度等前沿技术，用尖端硬件突破算力边界
• 精通C++/Python/Go等至少一门编程语言，具备扎实的编程功底和系统设计能力
• 熟悉大规模分布式系统、高性能计算或推理优化，有推荐系统/广告引擎经验者优先
• 了解AI编译器（如TVM、MLIR）、GPU编程（CUDA）和大模型训练推理框架（如vLLM、TensorRT-LLM）
• 具备良好的工程思维和解决复杂问题的能力，能够独立推进技术攻坚

申请策略

• 关注快手技术博客或开源项目（如快手YOLO、FastReID等），了解其技术栈和业务方向
• 面试前准备1-2个从0到1的系统设计案例，展现架构思维和工程落地能力
• 突出分布式系统、高性能计算或AI框架相关项目，最好有量化优化、推理加速等经验
• 展示对LLM、推荐系统底层优化的理解，例如参与过生成式模型部署或推理框架开发
• 强调C++/Python/Go编程能力和系统调优能力，可附上GitHub项目或技术博客
• 如有GPU编程（CUDA）或AI编译器实践经验，务必重点提及
• 学习AI编译器（TVM、MLIR）和GPU编程（CUDA、Triton），提升底层优化能力
• 实践大模型推理框架（vLLM、TensorRT-LLM、DeepSpeed Inference），了解其架构设计

面试指南

• 对项目类问题，使用STAR法则（Situation, Task, Action, Result）清晰阐述背景、挑战、方案和量化成果
• 对设计类问题，从系统架构、性能指标、技术选型、扩展性等方面展开，灵活运用分布式系统知识
• 对技术理解类问题，先阐述基础概念，再结合自己的实践或思考，体现深度
• 请介绍你参与过的大规模分布式系统优化案例，具体如何提升性能和稳定性？
• 如何设计一个高吞吐、低延迟的推理服务？需要考虑哪些因素？
• 你对生成式推荐模型推理框架有何理解？与传统推荐推理有哪些区别？
• 谈谈你对AI编译器（如TVM）的理解，以及在项目中如何使用它进行优化？
• 如何解决大模型训练中的显存不足问题？有哪些常用的优化技术？