工具链&Auto-tuning工程师

1. Auto-tuning 框架:设计并实现 auto-tuning 框架——搜索空间定义、cost model、编译参数枚举、调优结果缓存与最优配置推荐;覆盖核心算子的自动调参需求。
2. 编译器调试基础设施:建设 IR 可视化、Pass 流水线追踪、编译产物 diff 与性能归因工具;集成到编译与算子工程师日常调试流程。
3. 性能回归与 CI 对接:维护性能回归数据集、看板与报告模板;对接仿真与测试团队的CI 门禁,支撑性能退化早发现、早定位。
4. 技术前瞻与 AI-Native 产出:追踪Triton/LLVM/OpenTuner/基于LLM的调优等调优技术与 MLIR 调试生态进展;熟练使用LLM/Agent 生成调优脚本、看板组件与报告模板,人工审核后合入。

1. 3 年以上编译器工具链 / 性能工程 / DevInfra 经验;熟练掌握Python/C++,工程习惯良好。
2. 熟悉 auto-tuning 与性能分析:了解搜索空间设计、cost model、性能归因等基本方法;能阅读编译器 IR 与性能数据,在负责人/架构师协调下独立完成明确工具或调优模块。
3. 具备基础 DevInfra 能力(脚本、数据流水线、CI 集成);熟练使用 AI 编程工具放大开发与运维产出。
4. 参与过编译器、NPU/GPU SDK 或芯片 Benchmark 性能调优/工具链交付经验者优先。

【加分项】
1. 有 TVM/LLVM 调优、编译器调试工具或 MLIR 调试生态实践经验;熟悉Grafana/Jenkins/GitLab CI 等集成。
2. 参与过可视化工具、性能看板或仿真/Benchmark 流水线建设;了解 IREE、ONNX Runtime 等栈的性能分析路径。
3. 有基于 LLM/Agent 构建调优或诊断工作流的经验者优先。