AI存储专家（Storage AI Expert）(J14566)

1. 跟踪主流大模型生态与开源模型发展，包括 Qwen、DeepSeek、Kimi、GLM、LLaMA、Gemma 等模型方向。
2. 研究大模型在 GPU 服务器/AI PC/边缘设备等平台上的部署，性能瓶颈分析与调优。
3. 基于 vLLM、SGLang、llama.cpp、Ollama、KTransformers、TensorRT-LLM 等推理框架，分析模型推理过程中的计算、显存、内存与存储需求。
4. 研究存储相关的关键AI领域技术，包括 KV Cache 的生成、访问、复用、卸载和回读机制，及分层卸载方案，PD分离架构对存储需求，长上下文推理，及超高性能SSD等领域，推导产品核心需求，并于上下游合作制定产品架构和技术路线图。
5. 主导面向AI新产品架构方向的技术预研、需求定义，并驱动产业上游。
6. 跟踪 GPU Direct Storage、GPU Initiated Storage、CXL、NVMe、OCP等AI领域相关技术与标准演进, 评估对产品影响并提出相关标准提案和建议。。

7.面向 AI 工作负载分析和针对性优化

1. 计算机、电子工程、软件工程、人工智能、存储系统等相关专业研究生及以上学历
2. 熟悉 Linux 系统，具备良好的问题定位、性能分析和实验验证能力。
3. 熟悉 Python、C/C++、Shell 中至少一种编程语言，能够进行实验脚本开发、数据分析和原型验证。
4. 理解 Transformer、大模型推理流程、Attention、KV Cache、Prefill / Decode、上下文窗口、Batching 等基本概念。
5. 熟悉至少一种主流大模型推理框架的部署和使用调优，如 vLLM、SGLang、llama.cpp、TensorRT-LLM、Ollama、KTransformers 等。
6. 有开源大模型部署、量化、推理优化、长上下文调优经验者优先。
7. 熟悉 SSD、NAND Flash、NVMe、PCIe、Linux IO Stack、文件系统、块设备等基础知识者优先。
8. 熟悉 fio、SPDK、io_uring、libaio、GDS等系统性能工具或技术者优先。
9. 理解 IOPS、带宽、延迟、QoS、写放大、GC、FTL、SLC Cache、QLC 等 SSD 关键概念者优先。
10. 具备较强的技术学习能力，熟练阅读英文论文、开源项目文档、标准规范和技术白皮书。
11. 具备良好的技术表达能力，能够将前沿技术问题转化为清晰的架构观点、实验方案和产品建议。
12. 熟练使用主流 AI技术和工具，对基础设施、存储系统、硬件架构演进有强烈兴趣，愿意探索新领域。