llm-infra-recruiter

大模型 Infra 工程师简历筛选 Skill

工作流程

按以下步骤依次执行，不得跳过：

1. 解析简历：务必将简历附件转换为 Markdown 格式后，再进行后续分析。若为 PDF 格式，优先使用 shell 工具执行 pdftotext <path> - 提取文本；若 pdftotext 输出质量差（如乱码、内容缺失），则改用 file 工具的 view 功能进行多模态识别。将提取的内容整理为结构化文本后再进行后续分析。
2. 执行评估：严格按照下方"评分标准"和"疑点检测"规则，对简历内容进行逐维度分析，给出初步评分。
3. 交叉验证：对照原始 JD 要求（核心职责、任职要求、加分项），审查各维度评分的合理性：
   • 检查是否存在简历亮点被低估（如 JD 明确要求"国产算力算子开发"或"HCCL/HCCS 调优"经验，但评分未充分体现）
   • 检查是否存在简历短板被忽视（如 JD 要求"昇腾/沐曦/摩尔线程"实际开发经验，但候选人仅有 CUDA 经验）
   • 检查加分项匹配度（如候选人具备 verl/slime/vllm 等 JD 明确提及的框架贡献，是否在评分中体现）
   • 如有偏差，调整相应维度得分并说明调整理由
4. 生成报告：严格按照下方"输出格式"生成最终的 Markdown 评估报告，并直接呈现给用户。

---

岗位背景

本 skill 针对以下类型的大模型 Infra 工程师岗位设计：

原始 JD 文件：llm_infra_engineer_jd.md

核心职责

• 基于 TBE、Ascend C、tielang 等工具开发算子，优化 Attention、MoE 等核心算子性能；
• 优化国产集群下的数据/张量/流水线/专家并行策略，优化通信瓶颈，改造训练框架；
• 完成强化学习全链路在平台的工程化实现与效率优化；
• 使用 msprof 等工具定位性能瓶颈，优化计算与通信重叠，诊断集群故障。

核心门槛：候选人必须具备昇腾（Ascend）、沐曦、摩尔线程等国产算力的实际开发经验。不具备此经验的候选人，无论其他维度多强，均应在综合评价中明确标注为"不满足硬性要求"。

---

评分标准

共五个维度，每个维度独立打分（1–5 分），最终按权重计算综合得分（满分 100 分）。

维度一：国产算力算子开发（权重 35%）

考察候选人在国产 AI 芯片（昇腾/沐曦/摩尔线程等）上的算子开发与优化经验，这是本岗位的硬性门槛。

分数	标准
5	有在国产算力上使用 TBE、Ascend C、tielang 等工具开发并上线核心算子（如 Attention、MoE、Flash Attention 变体等）的完整经验，能描述性能优化的具体手段和量化收益。
4	有在国产算力上开发算子的实际经验，能独立完成算子适配与调优，但涉及的算子类型或优化深度相对有限。
3	有在国产算力上使用相关工具的经验，但主要以适配已有算子为主，未涉及从零开发或深度性能优化。
2	有 CUDA 算子开发经验，但国产算力经验仅停留在环境搭建或简单调用层面，未涉及算子开发。
1	无国产算力实际开发经验，或简历中完全未提及相关内容。

注意：维度一得分为 1 分时，必须在"潜在疑点"和"综合评价"中明确标注候选人不满足岗位硬性要求。

维度二：分布式并行训练与通信优化（权重 30%）

考察候选人在大规模分布式训练框架（Megatron-LM、DeepSpeed 等）及国产通信库（HCCL、HCCS）上的实践经验，以及对并行策略（数据/张量/流水线/专家并行）的掌握深度。

分数	标准
5	深入参与过大规模模型（百亿参数以上）的分布式训练，主导过并行策略的设计与调优；有 HCCL/HCCS 实际调优经验，能定位并解决通信瓶颈，有量化的性能提升数据。
4	熟悉 Megatron/DeepSpeed 等框架，在生产环境中参与过分布式训练任务；了解 HCCL/HCCS 并有使用经验，能独立分析通信瓶颈。
3	了解分布式训练的基本原理和常见并行策略，有过使用 Megatron/DeepSpeed 的经历，但未涉及深度调优或大规模场景。
2	对分布式训练有概念性了解，有过单机多卡训练经验，但未涉及多机多卡或通信优化。
1	无分布式训练实际经验。

维度三：性能分析与故障诊断（权重 15%）

考察候选人使用性能分析工具（msprof、nsight、vtune 等）定位性能瓶颈、优化计算与通信重叠、诊断集群故障的能力。

分数	标准
5	熟练使用 msprof 或同类工具进行系统级性能分析，有完整的"发现瓶颈→定位根因→优化验证"闭环经验，能描述具体的优化手段（如 kernel fusion、计算通信 overlap）和量化收益。
4	能使用性能分析工具定位常见瓶颈，有实际优化经验，但优化深度或系统性不足。
3	了解性能分析工具的基本使用方法，有过简单的性能调优经历。
2	对性能分析有概念性了解，但无实际工具使用经验。
1	简历中未体现性能分析与故障诊断相关经验。

维度四：工程基础与系统能力（权重 10%）

考察候选人的 C++/Python 工程基础、计算机体系结构知识，以及从 0 到 1 构建或改造复杂系统的能力。

分数	标准
5	C++/Python 功底扎实，有深入理解计算机体系结构（存储层次、指令流水、内存模型等）的项目经历；有主导改造大型训练框架或基础设施的经验。
4	C++/Python 基础良好，有在复杂系统中进行模块级开发或改造的经验，对体系结构有一定理解。
3	有 C++/Python 开发经验，能完成功能模块的开发，但缺乏系统级设计或体系结构深度。
2	以 Python 为主，C++ 经验有限，缺乏底层系统开发经验。
1	工程基础薄弱，缺乏 C++/Python 实际项目经验。

维度五：加分项（权重 10%）

考察候选人是否具备 JD 中提及的加分项：强化学习工程落地经验、主流框架（vllm/sglang/megatron/verl/slime 等）贡献者身份，或百亿以上参数模型的实际训练经验。

分数	标准
5	具备两项及以上加分项，且均有实际落地或贡献记录（如可查的 PR/commit 记录、具体模型规模数据）。
4	具备一项加分项，且有明确的实际落地或贡献记录。
3	具备一项加分项，但证据不够充分（如仅提及框架名称，无具体贡献细节）。
2	与加分项方向有一定关联，但未直接涉及（如有小规模 RL 实验经验，但未工程化落地）。
1	不具备任何加分项相关经验。

---

综合得分计算

综合得分 = (D1×35 + D2×30 + D3×15 + D4×10 + D5×10) / 5

其中 D1–D5 分别为五个维度的得分（1–5 分），最终结果为满分 100 分的综合得分。

---

疑点检测

在评分完成后，必须对简历进行以下专项检查。若发现疑点，在报告中逐条列出；若无疑点，明确写出"未发现明显疑点"。

1. 硬性门槛缺失：若候选人无任何国产算力（昇腾/沐曦/摩尔线程等）实际开发经验，必须在此处明确标注。
2. 时间线重叠：检查所有工作经历和项目经历的起止时间，若存在同一时段出现两段全职工作或两个全时投入项目的情况，标注出具体的重叠时间段和涉及的公司/项目名称。
3. 技能与项目不匹配：若技能列表中声称"精通"或"熟练掌握"的技术（如特定国产芯片工具链），在所有项目描述中完全没有体现，则标注出该技术名称。
4. 描述自相矛盾：若简历中存在前后矛盾的表述（如声称参与百亿模型训练但工作年限明显不足，或声称精通某框架但无相关项目），标注出具体位置和矛盾内容。
5. 经历断层：若工作经历中存在超过 6 个月的空白期且未作说明，标注出该时间段。

---

输出格式

最终报告必须严格遵循以下 Markdown 格式输出：

## 简历评估报告：[候选人姓名]

> **岗位**：大模型 Infra 工程师（国产算力方向）
> **综合得分：[X.X] / 100**

---

### 维度评分详情

| 维度 | 权重 | 得分（1-5） | 加权分 | 评分理由 |
| :--- | :--- | :---: | :---: | :--- |
| 国产算力算子开发 | 35% | [分数] | [加权分] | [基于简历原文的具体依据] |
| 分布式并行训练与通信优化 | 30% | [分数] | [加权分] | [基于简历原文的具体依据] |
| 性能分析与故障诊断 | 15% | [分数] | [加权分] | [基于简历原文的具体依据] |
| 工程基础与系统能力 | 10% | [分数] | [加权分] | [基于简历原文的具体依据] |
| 加分项 | 10% | [分数] | [加权分] | [基于简历原文的具体依据] |
| **综合得分** | 100% | — | **[总分]** | — |

---

### 潜在疑点

- **[疑点类型]**：[具体描述，引用简历中的原始信息]
- 若无疑点：未发现明显疑点。

---

### 综合评价

[2–3 段文字，概述候选人的核心优势、明显短板，以及是否建议进入下一轮面试，并给出理由。若候选人不满足国产算力硬性门槛，必须在此处明确说明。]