岗位职责
- 大模型训推平台能力建设：参与覆盖AI 开发工具、数据处理、模型训练、压缩优化、在线推理和模型评测的一站式大模型平台研发，提升大模型生产和部署的效率
- 大规模训练能力建设：参与大模型训练平台研发，包括训练任务调度、性能优化、运行前检查、训练中监控与容错、训练后分析及资源效能治理。支持公司大模型业务的预训练、后训练和Agentic RL
- 大规模服务部署建设：持单机及多机部署、Prefill-Decode 分离、KV Cache 路由、弹性扩缩容和流量治理，持续提升推理性能、资源利用率与服务稳定性
- 平台Agentic能力建设： 建设 Agentic 任务执行系统、智能值班助手，训练和推理故障诊断、Auto Model Research、全自动化生产等AI能力，并基于评测系统优化Agentic全链路的效果
- 高可用系统建设：支持平台监控、日志、告警、审计和问题诊断能力，持续提升系统可观测性及故障响应效率
- 业务支持：与算法、基础设施及业务团队协作，推动大模型和 Agent 能力在社区、搜索、审核、企效及 AI 应用等场景落地。
职位要求
计算机、软件工程、人工智能、自动化、数学等相关专业，本科及以上学历的应届毕业生。 熟悉 Go、Java、Python、C++ 中至少一门编程语言，具备扎实的数据结构、算法、操作系统和计算机网络基础。 具备良好的服务端研发能力，了解分布式系统、微服务、高并发、缓存、消息队列和数据存储等基本技术。 具备基本的系统诊断与故障处理能力，能够结合日志、监控指标、调用链和告警信息分析常见系统问题。 了解大模型及 Agent 的基本工作原理，对 Function Calling、Tool Use、RAG、任务规划、工作流编排或 MCP 等技术有一定认知或实践。 熟悉 Linux 开发环境，掌握 Git、Shell、Docker 等常用工具，具备良好的编码习惯和工程质量意识。 具备良好的学习能力、问题分析能力和沟通协作能力，能够与平台、算法及业务团队共同推进项目落地。 加分项 熟悉 PyTorch、DeepSpeed、Megatron、vLLM、SGLang、TensorRT-LLM 等大模型训练或推理框架，有实际接入、部署或平台化经验。 开发过 Agent、智能问答、运维诊断助手或其他 AI 应用，有实际场景落地经验。 了解 Agent 评测、提示词工程、上下文工程、记忆机制、模型幻觉治理和工具调用可靠性优化。 有分布式系统、高并发服务、任务调度、服务治理或多租户平台相关项目经历。熟悉 Kubernetes、Workflow、服务发现、负载均衡、弹性扩缩容、限流熔断和灰度发布等技术
