主分类：AI训练推理与计算优化
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "微信搜索-AI Infra 工程师-大模型推理方向(深圳)（广州）",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "WXG",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术"AI生成
},
"company": {
"company_name": "腾讯",
"company_industry": "互联网 / 科技 / 人工智能",
"company_size": "10000人以上",
"company_website": "tencent.com",
"company_description": "腾讯是一家互联网和科技公司，业务覆盖通信与社交、数字内容、游戏、金融科技、企业服务、云计算与人工智能等方向。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 1,
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1.负责开发和优化LLM，VLM等大模型的推理引擎，构建适合AI Search,智能 Agent相关领域大规落地应用中的推理基础架构；\r\n2.紧跟 LLM Infra 领域的前沿技术演进突破，将合适成果落地于实际应用；\r\n3.与搜索算法同学深度合作，联合优化，设计实现能够给大型搜索系统带来代际更迭的大模型。",
"requirements_text": "1.熟悉AI基础硬件设置，有真实的大规模推理系统的设计开发部署经验；\r\n2.熟悉各种主流LLM/VLM的模型结构，具有 vllm/sglang/TRT-llm等推理引擎优化实践经验；\r\n3.熟悉LLM 推理常用加速方法（算子融合、量化策略、动态批处理、分布式KV 缓存优化等）；\r\n4.有针对真实场景问题的LLM 模型结构和的设计优化经验。",
"skills": [AI生成
"搜索算法",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://careers.tencent.com/jobdesc.html?postId=2062097139483459584"
}
]
},
"posting": {
"posting_id": "2062097139483459584",
"post_date": "2026-09-01",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://careers.tencent.com/jobdesc.html?postId=2062097139483459584"
},
"fulltext": "微信搜索-AI Infra 工程师-大模型推理方向(深圳)（广州）\n在腾讯，后台开发工程师不仅是“又快又稳”的问题解决专家，更是生态共创者。你将与技术团队一同沉淀优质代码，让它成为我们共有的宝贵资产。在不同的业务场景和技术发展阶段，你的架构思维也将帮助更多协作团队拓展新的思考。我们也珍视你的挑战精神，同时欢迎你一起参与团队愿景、文化和产品方向的探讨。\n1.负责开发和优化LLM，VLM等大模型的推理引擎，构建适合AI Search,智能 Agent相关领域大规落地应用中的推理基础架构；\r\n2.紧跟 LLM Infra 领域的前沿技术演进突破，将合适成果落地于实际应用；\r\n3.与搜索算法同学深度合作，联合优化，设计实现能够给大型搜索系统带来代际更迭的大模型。\n1.熟悉AI基础硬件设置，有真实的大规模推理系统的设计开发部署经验；\r\n2.熟悉各种主流LLM/VLM的模型结构，具有 vllm/sglang/TRT-llm等推理引擎优化实践经验；\r\n3.熟悉LLM 推理常用加速方法（算子融合、量化策略、动态批处理、分布式KV 缓存优化等）；\r\n4.有针对真实场景问题的LLM 模型结构和的设计优化经验。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}