先大概说一下AI Infra的岗位类型，再根据岗位类型，讲一些不同岗位的侧重点。目前所有大厂的AI Infra岗位大概有这些。

算子开发（CUDA算子）

这类岗位在阿里、腾讯、字节这些大厂都有，有些厂商是一个大组就是纯做算子开发的，有些厂商的算子开发则分布于不同部门的训练\推理团队，这种团队的人一般除了算子开发，也会做一些训练或者推理的开发，算子开发是由于训练和推理优化过程中需要的。除了大厂，就是芯片公司，比如NV、AMD、或者国内的芯片公司。大厂的这些算子开发目前来说无外乎attention、moe、量化这几类，但其实水都比较深，入门壁垒还是比较高的。

算子优化这个岗位，面试的时候更侧重高性能计算之类的，手撕代码的时候也可能会手撕一些类似softmax类算子、gemm类算子，再逐个深入问这些优化点。另外面试里的问题会结合你所做过的项目，深入问细节，比如你做的attention优化，会往深里问你不同架构的优化细节、优化方式等。

这个方向，社招没做过的话，不大可能转，也无需准备，做过这个方向的，一般水平不会差；校招一般很少做过这些（这里指的是一般情况，目前也看到一些高校的论文如SageAttention等），那么校招的打好基础即可。推荐大概有如下方式打打基础：

1. 熟悉一些cuda element算子的高效编写，需要注意的是，triton或者tilelang如何实现这些，以及底层的编译器是怎么做的，可以好好学习学习；
2. 尝试自己用cuda和cutlass写一个flash attention算子或者pageattention算子等，从中学习里面的一些优化、不同架构的不同指令集特点（安培、hopper），内存的搬运、数据的layout、bank冲突和解决方法等；
3. 尝试用cuda和cutlass写一个反量化算子，去领略如何用cutlass实现一个高效的反量化算子。

通信优化

如NV的NCCL、月之暗面的TransferEngine、Deepseek的DeepEP等，云厂商比较特殊一点，会结合机器的拓扑和路由的硬件设计去做通信优化，俗称xCCL，比如阿里的ACCL、腾讯的TCCL等。

这块几年前主要是云厂商做xCCL的优化，属于集合通信内的范畴，其实方向比较”窄“。今年由于大EP以及PD分离的普及，使得通信优化可以在框架层用的更多。另外今年的一些通信计算重叠的工作，也开始多起来，主要是通过算子融合的方式实现通信计算融合。

其实这一块也算比较硬核的，比如通信计算重叠这种属于结合了算子和通信这两块。

类似的结论，社招的如果没有经验的话，大概率无法面试获得这个岗位，有经验的话大概率也不会差；对于校招来说，其实可以好好学一下好好准备。

关于算子优化和通信优化，笔者的看法如下：

1. 只要从事AI Infra方向，这两个方向肯定也是要深入去学习了解，即便不开发这些内容，去查相关问题、以及性能调优，基本逃不开；
2. 对于校招且想从事AI Infra，建议好好学习，一方面确实是基础，另一方面，这两个方向确实需要耐下心来好好研究，在校园里，有一定的自由时间，不像上班，时间被需求挤满；
3. 个人觉得从事这两个方向，确实属于比较深入的方向，一件事一旦深入变不一定广，所以励志从事这两个方向的，需要的是耐得住寂寞，在一个”窄“的领域深耕。

推理框架优化

从事这类工作的有大厂的推理团队（一个大厂往往有多个推理团队），以及芯片厂商的生态开发者。另外还有一类特殊的开源框架（vLLM、SGLang等）的贡献者，由于这部分人通常也是在大厂或者芯片厂商，这里不再过多分析。

大厂的推理团队主要还是推理框架的优化，无论vLLM和SGLang现在生态多么成熟，这些大厂总能找到适合自己场景的优化手段，最终性能比开源框架好一些，然后去和主子报祥瑞。

芯片厂商的生态开发者，主要是结合自己的芯片特点，适配vLLM或者SGLang等。

关于推理的面试，说实话，就是看硬实力了，抛出开源框架的一些功能，每一家都有自己框架的一些主攻特色，然而，随着推理生态的日益成熟，信息差越来越少，面试拼的就是硬实力了。应届生的话，找一个框架，对着文档去一个个读它的特性，看看release的功能列表，尝试从使用场景、实现手段以及优缺点，结合代码去看即可，这里举个简单的例子。

vLLM最近出了一个序列并且，社区关于这个有一个设计文档很详细、也参考了一些论文，结合文档、论文和代码，自己跑一跑，去尝试着分析分析。

打字太累，还有几个方向，等有人催更再补充吧，先把坑留下。感觉字写多了，也没什么用，只是个数字而已，不一定真能帮上读者。

DIT推理方向

训练框架优化

RL Infra优化

MaaS平台服务

DIT推理方向

训练框架优化

RL Infra优化

MaaS平台服务

大模型平台

如果你也想系统学习AI大模型技术，想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习*_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！