这条 JD 在招什么人
智谱的大模型平台工程方向，围绕 GLM 系列模型的开放平台做三件事：把模型服务成稳定的 API、给企业客户提供微调与定制能力、把推理跑得更快更便宜。考察点按公开 JD 与面经的高频归纳，横跨推理与训练两条线：既要懂 serving 侧的调度与量化，也要懂微调侧的数据与训练流程。评测是第三块——平台上的模型变更是不是变好了，要有数字说话。
业务场景推测
大概率是开放平台的推理服务与微调服务两条线：API 的高并发服务、企业客户微调任务的托管与调优（置信度：中，基于公开业务布局推断）。GLM 开源版本的社区反馈处理可能与平台工作交叉（置信度：低，基于公开社区动态推断）。
硬技能：必须会什么
- 微调：LoRA 原理（LoRA）、秩怎么选（LoRA 秩）、SFT 数据怎么准备（SFT 数据准备）
- 训练诊断：灾难性遗忘怎么防（灾难性遗忘）、什么时候微调而不是调提示词（微调还是提示词）
- 推理：vLLM 为什么快（vLLM 为什么快）、批调度（continuous batching）、量化方案（量化）
- 评测：常用基准与局限（LLM 基准）、模型当裁判怎么做（LLM as Judge）
- 工程功底：GPU 资源管理、多租户服务开发
加分项：什么能拉开差距
- 跑过完整的客户微调项目：数据清洗、训练、评测、上线
- 有推理成本核算经历：一张卡能服务多少并发、单 token 成本多少
- 给开源推理或训练框架提过 PR
- 熟悉 GLM 系列开源版本的差异与适用场景
JD 没写但面试会问
- 客户数据只有几千条，SFT、LoRA 还是直接提示词（高频）
- 微调后通用能力掉了，怎么定位与缓解
- LoRA 秩选大还是选小，分别什么时候出问题
- 量化后的模型和原模型，评测分数怎么对齐比较
- 多个客户的微调模型怎么混部，显存怎么隔离
- 离线评测分数和线上体验对不上怎么办
能力模型
| 层 | 内容 | 达标线 |
|---|---|---|
| 推理层 | 批调度、量化、显存管理 | 每个机制讲得出实现 |
| 微调层 | LoRA、SFT 数据、遗忘缓解 | 跑过完整流程 |
| 评测层 | 基准、裁判模型 | 建过评测方案 |
| 服务层 | 多租户、配额、监控 | 有工程化意识 |
| 基础层 | Transformer、训练流程 | 能推导关键环节 |
简历怎么改
- 微调项目写完整流程的数字：数据量、训练成本、评测提升、线上效果
- 推理经历带指标：吞吐、时延、显存占用
- 「了解 LoRA」换成具体实验：秩与学习率的对比结果
- 评测体系搭建经历单独写，平台岗对「怎么证明变好了」敏感
项目建议
- 用 LoRA 微调一个开源小模型，从数据准备到评测走完整流程，记录每步数字
- 对同一模型做量化前后的基准对比，整理质量-成本曲线
- 智谱全部方向的题库见智谱公司聚合页
- 直接用项目匹配器按你的基础和可用时间生成方案
准备计划
- 7 天：LoRA 与批调度题库速答过两遍；微调与推理的高频题各吃透一串，同步刷智谱公司聚合页的面经题
- 21 天：跑完微调完整流程项目并建立评测表；简历体检
- 45 天：完整走 AI Infra 学习路线，用差距测试定位短板，模拟面试三轮以上