元戎启行 OC 了，讲讲我的来时路（AI Infra 方向求职复盘）

《核心观点》

1. 求职第一步不是刷题，而是确定目标。作者锁定智驾行业的理由是：公司在这个方向有技术护城河、岗位在公司核心链条上、有技术纵深可积累、公司舍得投研发资源；明确说不想为了进大厂去做边缘业务或没有技术积累的工作。
2. 面试不只是拿 offer 的手段，也是快速获取信息的方式。看再多 JD 和员工分享，理解都是未被验证的；跟面试官聊 45 分钟获得的信息，可能比网上看一周更有价值。
3. 作者最终锁定 AI Infra 方向，逻辑是：AI 的发展正从大模型竞争转向应用规模化落地，对基础设施的需求很大；AI Infra 门槛高（要懂软件又要懂硬件）、竞争者少，机会反而更多。
4. AI Infra 是个综合领域，至少分四块：AI 编译器与算子优化、分布式训练框架、推理引擎与部署优化、分布式调度与平台工程。不同方向能力要求不同——元戎的 AI Infra 岗偏分布式训练和车端芯片部署，重点考察训练加速与推理部署。
5. 看面经的价值在于「反向定位短板」：可以直接了解岗位考察重点、公司看重什么、自己差在哪，从而有针对性地准备项目而不是临时背八股。
6. 作者的判断是这类岗位不光考你知不知道，还重点考你做没做过、能不能讲清楚，所以项目梳理是关键。

《参考解析》

这份复盘的可用之处在于「先定方向、再定准备」这个顺序。 很多人的秋招是从刷题开始的，题目刷完才发现投的岗位和自己准备的方向不匹配。作者的做法是反过来的：先通过 JD、员工分享、面经把目标岗位的考察重点摸出来，再倒推要补什么。这个顺序对技术方向差异大的岗位尤其重要——同样叫「后端」，做基础架构和做业务系统的考察点几乎不重叠。

AI Infra 四条线各自在考什么，值得展开记一下。AI 编译器与算子优化考图优化、算子融合、算子实现（CUDA/Triton）、性能分析工具（nsight、profiler）；核心能力是能读懂计算图并判断瓶颈在哪。分布式训练框架考数据并行/张量并行/流水线并行的适用场景与通信开销、集合通信原语（AllReduce、AllGather）、显存优化技术（ZeRO、重计算、混合精度、offload），以及通信与计算的 overlap；这条线对并行计算和网络（NVLink、RDMA）的理解要求高。推理引擎与部署优化考量化和精度校准、KV cache 与批调度（continuous batching、PagedAttention）、投机解码、算子融合与图捕获，以及服务侧的吞吐/延迟权衡（TTFT、TPOT）。分布式调度与平台工程考集群调度（K8s、GPU 拓扑感知、gang scheduling）、多租户与配额、故障容错与断点续训、可观测性。元戎偏训练加速和车端芯片部署，所以准备的落点应该在「训练侧的并行与通信优化」和「推理侧在受限算力上的部署优化（量化、算子适配、内存带宽）」这两块。

「用面试检验认知」这个做法可以复制。 具体操作上是：把面试当成一次有反馈的调研——结束后立刻记录面试官反复追问的点、自己答不上来的点、以及对方介绍的团队在做什么；几场下来就能看出这个岗位真正在意什么能力，而不是靠猜。作者也提到前期没有一上来疯狂刷题，因为目的是先拿到 offer、先进入这个方向。这个取舍不一定适合所有人（算法岗的笔试和手撕代码仍需硬功夫），但**「先把岗位摸清再决定时间怎么分配」这个原则是通用的**。

心态部分值得原样保留一句：不要因为暂时没有结果，就否定前面做过的准备；慢一点没关系，只要还在往前走。作者的准备节奏是每天做一点——补一点知识、看一点面经、参加一场面试，回头看才发现是这些琐碎的准备把人推到了终点。这在秋招后半程（身边人陆续 OC 的时候）是很有用的心理锚点。