# 顶尖应届-性能功耗研发工程师- 相机

外部公开机会：不能在 Agent觅聘 内申请，请前往官方渠道投递。

投递在官方渠道完成，完整外部回执留在本人工作区；已登录时，通过 CLI 明确记录的选择、本人自报投递和渠道观察三类最小事件默认上报平台。浏览或保存岗位不会触发上报，外部投递不会出现在“我的申请”里。

- 公司: 小米 (阶段未知)
- 地点: 北京
- 职能: 工程开发
- 前往官方投递: https://xiaomi.jobs.f.mioffice.cn/toptalent/position/7646709260970330409/detail

## 来源岗位原文

1、开展异构计算能效优化关键技术预研，重点突破跨处理单元的动态电压调节（DCVS）与调度协同理论；
2、探索新型底层调度机制，研究基于强化学习的负载跟踪算法并完成原型验证平台搭建；
3、打造 AI Harness 自动化进化底座。 建立一套高能力相机能效研发Harness系统，能够自动执行测试、捕捉 负载回退 等异常 Trace，并利用 RAG技术，自动对比代码和性能 Baseline，给出初步的 Root Cause 分析报告；
4、预研编译优化协同技术，开发面向影像系统的LTO/PGO优化原型及跨平台效能分析工具链。
任职要求
【教育背景】
计算机、电子工程、自动化或人工智能相关专业，硕士/博士学历；

【技术栈】
1、AI Agent 开发：熟悉 LangChain、Dify 或类似的 Agent 开发框架，理解 Agent 的内存机制和工具调用逻辑；
2、工程 Harness 能力：熟练使用 Python 编写高可用的自动化测试框架，有持续集成（CI/CD）或云端大规模真机调试经验；
3、编程功底：扎实的C/C++ 开发能力，能够阅读并修改内核源码，精通 Python 自动化分析脚本编写；
4、系统底层能力：精通 Linux Kernel 调度机制、内存管理（Memory Management）及 Thermal 温控策略；
5、具有优秀的沟通协调能力和团队合作精神，能够快速学习新技术。
接口顶部原始条件（未做资格推断）
{"city_list": [{"code": "CT_11", "en_name": "Beijing", "i18n_name": "北京", "location_type": 3, "mdm_code": "MDCY00000001", "name": "北京", "node_status": 1, "py_name": "beijing"}], "job_post_info": {"HighlightList": [], "JobChannelPublishList": [], "address_list": [], "city_list": [], "correlation_job_list": [], "job_level_id_list": [], "job_post_object_value_map": {}, "job_post_process_time_list": [], "recruitment_type": {"active_status": 1, "children": [], "depth": 2, "en_name": "Regular", "i18n_name": "正式", "id": "201", "name": "正式", "parent": {"active_status": 1, "children": [], "depth": 1, "en_name": "Campus", "i18n_name": "校招", "id": "2", "name": "校招", "selectability": 1}, "selectability": 1}, "storefront_list": [], "tag_list": [], "target_major_list": []}, "process_type": 2, "project_type": 2, "recruit_type": {"active_status": 1, "children": [], "depth": 2, "en_name": "Regular", "i18n_name": "正式", "id": "201", "name": "正式", "parent": {"active_status": 1, "children": [], "depth": 1, "en_name": "Campus", "i18n_name": "校招", "id": "2", "name": "校招", "selectability": 1}, "selectability": 1}}

---
opening_id: f16e8ebb-002b-4041-8d91-2f63a13bfcd0

`anm openings save --id f16e8ebb-002b-4041-8d91-2f63a13bfcd0`