职位描述

1. 参与智能体自动化优化框架的设计与实现，构建“感知-决策-执行-反馈”闭环系统，覆盖算子生成、图调度、内存管理等环节。

2. 开发Agent与编译工具链（编译器、性能分析器、运行时）的标准化交互接口，实现优化流程自动化。

3. 利用自动化代码生成或搜索技术，对CUDA/Triton/OpenCL等异构算子进行性能调优，探索Agent自主编写或重构高性能内核的方法。

4. 建立性能回归测试与反馈机制，持续提升算子库在多硬件（A100/H100/国产NPU）上的效率。

5. 参与计算图融合、并行调度、内存复用等Pass的自动化改造，使框架能根据输入特征和硬件状态动态调整执行计划。

6. 协助构建代价模型（Cost Model）的在线学习与校准模块。

7. 开发自动化评测与实验管理平台，支持多模型（LLM/ViT等）在多硬件上的快速验证。

8. 参与搭建CI/CD流水线，确保优化效果的稳定性和可重复性。

9. 跟踪MLSys、AutoML、代码生成等领域前沿成果，推动有效方法落地生产环境。

职位要求

1、计算机、人工智能、电子工程等相关专业，硕士/博士在读（优秀本科生可放宽）。

2、扎实的C++和Python编程能力，熟悉Linux开发环境，具备良好的工程实践（版本控制、单元测试、CI/CD）。了解计算机体系结构、内存模型、并行计算基础知识。

3、对至少一种异构编程模型（CUDA/OpenCL/Triton）有实际使用或系统学习经历。

4、熟悉PyTorch/TensorFlow等深度学习框架基本原理，了解推理引擎（如TensorRT、ONNX Runtime、TVM、MLIR）常见架构。

5、对性能优化有浓厚兴趣，具备数据分析与瓶颈定位能力，自驱力强，能独立解决问题。

加分项（非必需，但优先）

1、有使用智能体或自动调优技术（如AutoTVM、Ansor）进行算子/图优化的项目经验。

2、熟悉编码智能体系统（如Claude Code、Cursor、Aider等），有将其应用于自动化开发或代码生成的经验。

3、熟悉编译原理、LLVM/MLIR中间表示，或有自定义Pass开发经历。

4、有性能分析工具（NVIDIA Nsight、Perf、VTune等）实际使用经验，能定位微架构级性能瓶颈。

5、有开源推理引擎（如TVM、OpenPPL、FastTransformer）贡献经历。在MLSys、ASPLOS、CGO、ICLR等会议发表过相关论文。