岗位职责
- 端侧推理框架的维护与演进：负责底层推理抽象层与多种 AI 加速硬件后端的适配、封装与优化，持续提升框架的可复用性、可维护性与跨平台一致性。
- 算法工程化落地：将训练侧产出的检测/跟踪等模型集成进产品，完成从模型配置、推理管线编排、交叉编译到端侧设备上板验证的全链路工作。
- 大模型部署与推理加速：推动大模型(LLM / 多模态 / 生成式模型)在云端环境的落地，负责模型压缩、推理优化与加速，在有限算力/内存/带宽下达成可用的性能与效果。
- 产品线的快速派生与复用：基于既有工程模板，高效派生新产品(挂载不同模型、编排不同管线、适配不同硬件平台)，沉淀可复用的脚手架与自动化交付流程。
- 构建与交付自动化：维护一键式构建/打包脚本(依赖治理、运行时库自动收拢、产物分层交付等)，降低交付门槛、保证产物开箱即用。
- 跨团队协作与技术把关：对接算法训练、集成交付、芯片原厂等多方，在接口、依赖、性能、正确性上把关，推动业务端到端落地。
- 质量与稳定性：主导代码质量，识别并消除内存安全、并发生命周期、资源管理、边界条件等隐患，建立可上板复现的验证方法。
职位要求
基础能力：
- 计算机/电子/自动化等相关专业，本科及以上；5 年以上 C/C++ 系统级开发经验(资深级)，或 3 年以上且有突出端侧落地经历。
- 精通现代 C++，深入理解多线程并发(线程生命周期、同步原语、数据竞争、异步回调的内存可见性)、指针与内存安全(跨线程/跨模块的对象生命周期、悬垂指针、深浅拷贝取舍)。
- 熟练 CMake 构建体系，能独立搭建/维护复杂的交叉编译工程；熟悉链接期行为(静态/动态库、符号可见性控制、ELF 依赖分析、ABI 兼容)。 端侧算法推理与落地能力：
- 具备扎实的 AI 算法推理工程经验：深入理解神经网络推理链路标检测/跟踪类模型的推理与后处理逻辑(NMS、anchor 解码、跟踪关联等)。
- 具备模型压缩的实战经验并理解其原理：剪枝(Pruning)、蒸馏(Distillation)、量化(Quant) 经验，理解精度与性能的权衡，能配合训练侧完成模型在端侧的高效适配与调优。
- 有 AI 加速硬件(NPU/APU/DSP 等端侧加速器) 相关落地经验(任一：算子集成、推性能调优)。
- 有嵌入式 Linux / 端侧设备上的开发与调试经验，熟悉在资源受限场景下，算法部署与排障的基本能力。
- 熟悉 Python，能编写健壮的构建/交付自动化脚本。 大模型部署与加速能力
- 有大模型(LLM / 多模态 / 生成式模型)部署与推理加速的实战经验，理解其推理特性Cache、算子融合、显存/内存优化、批处理与调度等)。
- 了解主流推理引擎(如 vLLM、TensorRT-LLM、llama.cpp、ONNX Runtime、MNN/硬件做部署与性能调优优。 工程素养与软实力
- 具备框架/平台化思维：能设计参数化、可复用的工程骨架，而非一次性堆叠；重视依赖
- 能设计清晰的对外接口契约并推动多方遵循；有面向集成方交付、编写清晰交接文档
- 优秀的问题定位与系统性排查能力；对代码质量和交付正确性有高标准，能独立扛起模
- 良好的跨团队沟通与推动落地能力，能独立承担核心模块并主导技术决策。 加分项：
- 熟悉 MIPS/ARM 等多种嵌入式架构及 glibc/uclibc 等不同 C 库环境。
- 有多芯片平台(不同加速硬件原厂)适配经验。
- 有从 0 到 1 搭建交付流程 / 工程模板并被团队复用的经历。
