LLM 推理系统研发实习生（推理缓存方向）

1. 参与大模型推理场景下 KVCache 资源管控系统的研发，协助建设资源管理、配额控制、生命周期管理与调度能力，提升 GPU 集群资源利用率与服务稳定性。

2. 参与 KVCache 缓存复用、淘汰、预取与分层存储等策略的开发和实验，探索 GPU 显存、CPU 内存及 SSD 之间的数据管理与迁移优化。

3. 参与 KVCache 管控系统与 vLLM / SGLang 等主流推理引擎的集成，完成元数据管理、资源上报与控制接口等模块的开发与测试。

4. 参与性能测试与可观测性建设，分析缓存命中率、显存占用、首 Token 延迟、生成速度及吞吐等指标，协助定位并优化长上下文、高并发场景下的性能瓶颈。

1. 计算机、软件工程或相关专业在校生，对大模型推理基础设施、分布式系统或高性能计算有兴趣。

2. 熟悉 C++ / Go / Python 中至少一种编程语言，具备良好的数据结构、算法、操作系统与计算机网络基础，能够在 Linux 环境下进行开发和调试。

3. 了解缓存、并发编程、RPC 或分布式系统的基本原理，有课程项目、科研项目、开源项目或实习开发经验。

4. 具备良好的学习能力、问题分析能力与沟通协作能力，能够在指导下完成模块开发、测试与问题定位。

5. 每周可实习 3 天及以上，连续实习 6 个月及以上；可长期实习者优先。

加分项

1. 了解 LLM 推理流程及 KVCache 基本原理，使用或研究过 vLLM / SGLang / TensorRT-LLM / RTP-LLM / Mooncake 等项目。

2. 有缓存或存储系统、GPU 编程、资源调度相关实践，或有 Kubernetes / Ray 等项目使用与开发经验。

3. 有性能分析、压测或监控建设经验，使用过 Linux 性能工具、Prometheus / Grafana 等。

4. 善于使用 Qoder / Codex / Claude Code 等 AI 编程工具，有将 AI 融入编码、调试、测试与优化流程的具体实践，能够理解并验证生成代码的正确性。