2026年秋招，应聘‘AI芯片编译器工程师’岗位，面试通常会考察哪些关于TVM/MLIR框架原理、算子融合优化以及与特定硬件架构（如NPU）协同的知识点？

从面试官的角度聊几句吧。我们招AI编译器工程师，最看重的是候选人能否把编译器技术和硬件架构知识打通。TVM/MLIR是工具，核心考察的是你如何用它们解决实际问题。

对于TVM，除了楼上说的自动调度，我们常会问一些更底层的问题。比如TVM的中间表示（IR）是怎么设计的？Tensor Expression和Schedule是如何分离的？这样设计的好处是什么？可能会让你手写一个简单的TVM IR，或者解释一下Lowering过程（从计算图调度到LLVM/GPU代码）经历了哪些阶段。

MLIR方面，重点是考察你对多层中间表示的理解。为什么MLIR要用Dialect体系？Linalg、Affine、LLVM这些Dialect分别负责什么抽象层次？我们会问：“如果要为我们的NPU添加一个自定义Dialect，你会怎么设计？需要定义哪些操作（Operation）和类型（Type）？” 这考验你是否真正理解了MLIR的可扩展性设计。Pass管理也很重要，MLIR的Pass是如何组织、依赖、运行的？和LLVM的Pass管理器有什么异同？

关于与硬件协同，问题非常开放。比如：“给你一个典型的Transformer层（有MatMul、Softmax、LayerNorm等），在我们的NPU上（假设有专用矩阵计算单元和分散的SRAM），你会制定怎样的算子融合策略？为什么？融合后的kernel在代码生成时，内存布局（Memory Layout）上要注意什么？” 这里没有标准答案，我们想看你的思考过程：是否考虑了数据局部性、计算密度、硬件并行度、以及编译开销的平衡。

最后给个建议：找一两个开源NPU模型（比如Gemmini）或者用TVM的VTA模拟器，实际走一遍从模型导入、调度优化、到代码生成和性能分析的完整流程。把过程中遇到的坑和你的解决方案总结出来，面试时这就是最好的谈资。

我去年秋招面了五六家AI芯片公司的编译器岗，TVM/MLIR是必问的。面试官不会只问你“TVM是什么”，而是会结合具体场景考察你的理解深度。

关于TVM，他们特别喜欢问自动调度（Auto-scheduler）的原理和实现细节。比如，让你描述一下Ansor的工作流程：它是怎么通过采样生成初始调度、构建搜索空间、然后用代价模型和进化搜索来迭代优化的。可能会让你对比Ansor和AutoTVM的区别，为什么Ansor在复杂算子和大网络上更有效。

还会问算子融合（Operator Fusion）的策略。TVM里有哪些融合规则？比如injective、reduce、outEWiseFusable这些标记是怎么用的。可能会给你一个简单的计算图（比如Conv+ReLU+Add），让你手动分析哪些层可以融合，依据是什么，融合后对内存带宽和计算效率有什么影响。

针对特定硬件（比如他们公司的NPU），问题会更实际。比如：“如果我们的NPU有专用的矩阵乘单元和向量处理单元，但片上缓存很小，你在用TVM生成代码时，会如何设计调度原语（schedule primitives）来充分利用硬件？” 这需要你懂tile、reorder、compute_at、storage_align这些基本操作，并能根据硬件约束灵活组合。

我的建议是，不仅要会用TVM的API，最好能读一读Ansor、AutoTVM这些关键论文，并动手改过一些调度代码。把TVM源码里scheduler和auto_scheduler目录下的关键文件过一遍，面试时能说出大概流程和核心数据结构，就很加分了。