主分类：AI训练推理与计算优化
辅助：Agent系统开发（仅展示）
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": "平头哥-边缘AI芯片算法部署工程师-上海",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "阿里集团",
"location": "上海",
"work_mode": "未披露",AI生成
"job_category": "技术-芯片"AI生成
},
"company": {
"company_name": "平头哥",
"company_industry": "半导体 / 芯片设计",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "平头哥研发计算、存储及网络芯片，为人工智能基础设施提供支持。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "计算机科学、电子工程、微电子、自动化等相关专业硕士及以上学历",
"language": "6. 良好的口头和书面表达能力，包括英文读写能力，良好的沟通能力和团队合作意识",AI生成
"visa_support": "未披露",
"responsibilities": "1. 负责大模型在端侧/边缘设备的高效部署，优化多模型部署、多任务调度、多线程/多进程加速，提升推理性能与资源利用率。\n2. 基于主流Agent框架，设计端侧Agent运行时架构与产品方案；优化Agent上下文管理（包括上下文窗口、缓存策略、压缩算法），提升长对话和复杂任务的执行效率等。\n3. 深入分析端侧AI软件栈和芯片微架构性能瓶颈（如核心利用率、内存带宽、指令流水线等），持续输出优化建议，推动芯片架构和SDK持续优化。",
"requirements_text": "1. 计算机科学、电子工程、微电子、自动化等相关专业硕士及以上学历。\n2. 具备Agent框架工程实践经验：了解OpenClaw（ReAct+Skills模式、MCP集成）或Hermes-Agent（自我改进机制、子Agent委派、上下文压缩）等主流Agent框架的架构原理和部署模式；有将Agent框架适配到端侧硬件平台（边缘服务器、嵌入式AI模组、机器人计算平台）的实践经验者优先。\n3. 具备3年以上AI推理优化相关工作经验，深刻理解并行计算和CUDA编程，熟悉TensorRT和TensorRT-LLM的模型部署和优化；熟练掌握C/C++，熟悉Python，具备优化计算编程能力。\n4. 熟悉边缘AI芯片上模型部署使用者优先；理解GPU/GPU/NPU的计算架构原理，包括计算流水线、内存层次结构、带宽与延迟的权衡。\n5. 熟悉Linux系统，精通系统性能分析工具的使用和分析，如nsight-sys/nsight-compute/xperf/eBPF等；能从算子级、图级、系统级多层次定位性能瓶颈。\n6. 良好的口头和书面表达能力，包括英文读写能力，良好的沟通能力和团队合作意识；具备良好的文档输出能力，能撰写结构清晰、数据翔实的性能分析报告和优化建议书。\n符合以下条件为加分项：\n1. 有端侧大模型推理优化经验（量化、KV Cache优化、Speculative Decoding、FlashAttention适配等）。\n2. 有CUDA/OpenCL/类CUDA编程模型的算子开发或优化经验。\n3. 有Transformer架构的深度理解和推理优化经验（Attention机制优化、KV Cache管理、Prefill/Decode分离等）。\n4. 有开源社区贡献经验（如vLLM、llama.cpp、TVM等项目）。",
"skills": [AI生成
"Python",
"C++",
"Linux",
"React",
"CUDA",
"嵌入式",
"团队协作",
"沟通能力",
"大语言模型"
],
"preferred_qualifications": "有将Agent框架适配到端侧硬件平台（边缘服务器、嵌入式AI模组、机器人计算平台）的实践经验者优先；4. 熟悉边缘AI芯片上模型部署使用者优先；符合以下条件为加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://recruitment.t-head.cn/off-campus/position-detail?positionId=100027440001"
}
]
},
"posting": {
"posting_id": "100027440001",
"post_date": "2026-08-28",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://recruitment.t-head.cn/off-campus/position-detail?positionId=100027440001"
},
"fulltext": "平头哥-边缘AI芯片算法部署工程师-上海\n平头哥-边缘AI芯片算法部署工程师-上海\n\n基础信息\n职位类别：技术-芯片\n工作地点：上海\n\n职位描述\n1. 负责大模型在端侧/边缘设备的高效部署，优化多模型部署、多任务调度、多线程/多进程加速，提升推理性能与资源利用率。\n2. 基于主流Agent框架，设计端侧Agent运行时架构与产品方案；优化Agent上下文管理（包括上下文窗口、缓存策略、压缩算法），提升长对话和复杂任务的执行效率等。\n3. 深入分析端侧AI软件栈和芯片微架构性能瓶颈（如核心利用率、内存带宽、指令流水线等），持续输出优化建议，推动芯片架构和SDK持续优化。\n\n职位要求\n1. 计算机科学、电子工程、微电子、自动化等相关专业硕士及以上学历。\n2. 具备Agent框架工程实践经验：了解OpenClaw（ReAct+Skills模式、MCP集成）或Hermes-Agent（自我改进机制、子Agent委派、上下文压缩）等主流Agent框架的架构原理和部署模式；有将Agent框架适配到端侧硬件平台（边缘服务器、嵌入式AI模组、机器人计算平台）的实践经验者优先。\n3. 具备3年以上AI推理优化相关工作经验，深刻理解并行计算和CUDA编程，熟悉TensorRT和TensorRT-LLM的模型部署和优化；熟练掌握C/C++，熟悉Python，具备优化计算编程能力。\n4. 熟悉边缘AI芯片上模型部署使用者优先；理解GPU/GPU/NPU的计算架构原理，包括计算流水线、内存层次结构、带宽与延迟的权衡。\n5. 熟悉Linux系统，精通系统性能分析工具的使用和分析，如nsight-sys/nsight-compute/xperf/eBPF等；能从算子级、图级、系统级多层次定位性能瓶颈。\n6. 良好的口头和书面表达能力，包括英文读写能力，良好的沟通能力和团队合作意识；具备良好的文档输出能力，能撰写结构清晰、数据翔实的性能分析报告和优化建议书。\n符合以下条件为加分项：\n1. 有端侧大模型推理优化经验（量化、KV Cache优化、Speculative Decoding、FlashAttention适配等）。\n2. 有CUDA/OpenCL/类CUDA编程模型的算子开发或优化经验。\n3. 有Transformer架构的深度理解和推理优化经验（Attention机制优化、KV Cache管理、Prefill/Decode分离等）。\n4. 有开源社区贡献经验（如vLLM、llama.cpp、TVM等项目）。\n1. 负责大模型在端侧/边缘设备的高效部署，优化多模型部署、多任务调度、多线程/多进程加速，提升推理性能与资源利用率。\n2. 基于主流Agent框架，设计端侧Agent运行时架构与产品方案；优化Agent上下文管理（包括上下文窗口、缓存策略、压缩算法），提升长对话和复杂任务的执行效率等。\n3. 深入分析端侧AI软件栈和芯片微架构性能瓶颈（如核心利用率、内存带宽、指令流水线等），持续输出优化建议，推动芯片架构和SDK持续优化。\n1. 计算机科学、电子工程、微电子、自动化等相关专业硕士及以上学历。\n2. 具备Agent框架工程实践经验：了解OpenClaw（ReAct+Skills模式、MCP集成）或Hermes-Agent（自我改进机制、子Agent委派、上下文压缩）等主流Agent框架的架构原理和部署模式；有将Agent框架适配到端侧硬件平台（边缘服务器、嵌入式AI模组、机器人计算平台）的实践经验者优先。\n3. 具备3年以上AI推理优化相关工作经验，深刻理解并行计算和CUDA编程，熟悉TensorRT和TensorRT-LLM的模型部署和优化；熟练掌握C/C++，熟悉Python，具备优化计算编程能力。\n4. 熟悉边缘AI芯片上模型部署使用者优先；理解GPU/GPU/NPU的计算架构原理，包括计算流水线、内存层次结构、带宽与延迟的权衡。\n5. 熟悉Linux系统，精通系统性能分析工具的使用和分析，如nsight-sys/nsight-compute/xperf/eBPF等；能从算子级、图级、系统级多层次定位性能瓶颈。\n6. 良好的口头和书面表达能力，包括英文读写能力，良好的沟通能力和团队合作意识；具备良好的文档输出能力，能撰写结构清晰、数据翔实的性能分析报告和优化建议书。\n符合以下条件为加分项：\n1. 有端侧大模型推理优化经验（量化、KV Cache优化、Speculative Decoding、FlashAttention适配等）。\n2. 有CUDA/OpenCL/类CUDA编程模型的算子开发或优化经验。\n3. 有Transformer架构的深度理解和推理优化经验（Attention机制优化、KV Cache管理、Prefill/Decode分离等）。\n4. 有开源社区贡献经验（如vLLM、llama.cpp、TVM等项目）。",
"standard_classification": {
"std_category_code": "T014",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}