AI软件测试开发工程师

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1.全栈技术测试：涵盖GPU驱动层、AI编译器、高性能算子库、深度学习框架，工具链等AI技术栈的质量保障工作；
2.稳定性与兼容性验证：验证系统在大模型场景下的稳定性，确保各组件功能正确性和跨平台兼容性；
3.测试用例设计与执行：设计覆盖各类边界条件和异常场景的测试用例，确保功能正确性和系统稳定性；
4.性能分析与优化：使用专业工具进行性能瓶颈分析，输出数据驱动的优化建议和性能趋势报告；
5.精度验证与对比：验证各种数据类型下的数值精度，对比不同版本间的功能和性能差异；
6.自动化开发：使用Python（pytest）/ GoogleTest开发自动化测试脚本，集成CI流水线；
7.问题定位与分析：通过日志分析工具（GDB/Valgrind/Profiling）进行问题复现，精准定位缺陷根因；
8.工具开发：参与测试工具开发（自动化测试数据生成脚本库等），提升测试效率。

岗位描述

1、全栈质量体系建设
• 面向 GPU 驱动层（CUDA 兼容性）、AI 编译器（MLIR 图优化）、高性能算子库（Conv/GEMM/Attention）、深度学习框架（PyTorch / vLLM 定制后端）、大模型及配套工具链（GPU Operator、Container Toolkit、Device Plugin、Profiling/SMI、GDB Debugger 等），设计并落地统一的质量标准与验证策略。
2、自动化与工程化能力建设
• 主导自动化测试框架与 CI/CD 回归体系开发，建立多维度质量门禁（Release Gate）；
• 搭建可复现、可扩展的测试基线环境，支持多 OS、多驱动版本、多框架版本、单机与多机集群等复杂组合。
3、场景化系统验证
• 针对大模型训练与推理典型负载，开展稳定性、性能（吞吐/延迟）、精度（数值一致性）三位一体的系统级验证；
• 通过问题复现、根因定位与数据分析，推动软硬件协同缺陷闭环与持续优化。
4、方法论与资产沉淀
• 提炼可复用的测试工具、用例库、诊断脚本与最佳实践，形成标准化测试方法论；
• 赋能研发团队提升质量内建能力，加速 AI 软件栈高质量迭代。
1.全栈技术测试：涵盖GPU驱动层、AI编译器、高性能算子库、深度学习框架，工具链等AI技术栈的质量保障工作；
2.稳定性与兼容性验证：验证系统在大模型场景下的稳定性，确保各组件功能正确性和跨平台兼容性；
3.测试用例设计与执行：设计覆盖各类边界条件和异常场景的测试用例，确保功能正确性和系统稳定性；
4.性能分析与优化：使用专业工具进行性能瓶颈分析，输出数据驱动的优化建议和性能趋势报告；
5.精度验证与对比：验证各种数据类型下的数值精度，对比不同版本间的功能和性能差异；
6.自动化开发：使用Python（pytest）/ GoogleTest开发自动化测试脚本，集成CI流水线；
7.问题定位与分析：通过日志分析工具（GDB/Valgrind/Profiling）进行问题复现，精准定位缺陷根因；
8.工具开发：参与测试工具开发（自动化测试数据生成脚本库等），提升测试效率。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于数据岗位的常见面试问题整理

请解释数据仓库的星型模型和雪花模型的区别

类型专业能力·难度中等

查看答题思路

1. 星型：事实表在中间，维度表直接关联，维度表非规范化（有冗余） 2. 雪花：维度表进一步规范化，减少冗余但增加 join 次数 3. 选择：星型查询快（join 少），雪花存储省，一般生产用星型更多

如何设计一个埋点体系来追踪用户行为

类型情景/案例·难度中等

查看答题思路

1. 确定业务目标：留存/转化/活跃 2. 定义事件：页面浏览/点击/曝光/转化，每个事件带属性 3. 技术栈：前端 SDK 上报 → Kafka → Flink 实时清洗 → ClickHouse/Hive 存储 4. 数据分层：ODS（原始）→ DWD（明细）→ DWS（汇总）→ ADS（应用） 5. 质量：埋点测试 + 数据校验 + 异常告警

SQL：有一个用户登录表 user_login(user_id, login_date)，查询连续登录超过 7 天的用户

类型专业能力·难度困难

查看答题思路

1. 思路：用 login_date 减去排名序号（ROW_NUMBER），同组连续日期差值相同 2. 关键 SQL：SELECT user_id, login_date-ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) AS grp 3. GROUP BY user_id, grp HAVING COUNT(*) >= 7 4. 强调：理解窗口函数和连续性问题的一般解法

你做过最有价值的数据分析项目是什么

类型项目经历·难度中等

查看答题思路

1. 业务背景：分析什么、为什么重要 2. 数据来源和量级 3. 分析方法：用了什么模型/统计方法 4. 核心发现：一句话说清洞察 5. 业务影响：做了什么决策、带来了什么改变（用数字）

解释 A/B 测试的原理和常见陷阱

类型专业能力·难度简单

查看答题思路

1. 原理：分流用户到对照组和实验组，对比核心指标差异 2. 统计基础：假设检验，p<0.05 表示差异显著 3. 陷阱：样本量不足、运行时间太短（未覆盖周期波动）、多重比较（同时做多组 A/B 需修正显著性水平） 4. 指标选择：北极星指标优先，避免虚荣指标

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →