AI全栈工程师（Kubernetes方向）
岗位摘要
负责生产级K8s集群的部署、升级、扩缩容、备份恢复与高可用保障，主导集群性能调优、故障根因分析与稳定性治理；基于公司自研GPU集群产品完成K8s适配与深度整合，负责NVIDIA GPU Operator、vGPU/MIG、Device Plugin、拓扑感知调度、算力隔离与配额管理
岗位职责
- 负责生产级K8s集群的部署、升级、扩缩容、备份恢复与高可用保障，主导集群性能调优、故障根因分析与稳定性治理
- 基于公司自研GPU集群产品完成K8s适配与深度整合，负责NVIDIA GPU Operator、vGPU/MIG、Device Plugin、拓扑感知调度、算力隔离与配额管理
- 优化GPU任务调度策略，提升训练与推理任务吞吐量及资源利用率
- 负责容器运行时、CNI网络、CSI存储、Ingress/LoadBalancer等组件的选型、部署与优化，保障GPU工作负载网络低延迟与存储高吞吐
- 使用Helm、Operator、CRD、Terraform/Ansible实现集群与应用标准化交付，建设自动化运维、镜像管理、弹性伸缩与灰度发布能力
- 搭建Prometheus+Grafana、Loki/ELK、Jaeger全链路可观测体系，定制GPU算力、显存、NCCL通信及IB/RoCE网络监控面板
- 建立7×24小时告警与On-call机制，保障集群SLA达标
- 为AI与算法团队提供容器化、任务编排、资源调度最佳实践，排查训练中断、OOM、调度失败、网络拥塞等复杂问题
- 参与硬件选型、驱动与CUDA环境适配及集群容量规划
任职要求
- 本科及以上学历，计算机、软件工程或云计算相关专业
- 3年及以上K8s生产环境实战经验，具备大型集群（≥50节点/千级Pod）运维或开发经验
- 精通K8s核心对象、调度机制、亲和性/污点、HPA/VPA、RBAC、网络策略及存储卷管理
- 精通K8s故障排查，具备etcd、apiserver、scheduler性能优化经验
- 深度掌握GPU在K8s中的调度与管理，包括GPU Operator、MIG/vGPU、Device Plugin、拓扑调度及多租户隔离
- 熟悉容器运行时、CNI、CSI，有Cilium/Calico+IB/RoCE及高性能存储优化经验者优先
- 熟练使用Linux，掌握Shell、Python或Go至少一种，具备运维开发能力
- 熟悉CUDA、NCCL及分布式训练环境，有A100/H100/L40S等GPU集群经验者优先
- 有GPU集群、AI算力平台或智算中心相关背景者优先
- 持有CKA/CKAD/CKS认证者加分
- 参与过K8s社区贡献或Operator开源项目者加分
- 具备等保、容器安全、镜像安全及多租户权限体系建设经验者加分
加分项
- 持有 CKA/CKAD/CKS 认证
- 参与过 K8s 社区贡献或 Operator 开源项目
- 有自研算力平台、调度引擎、云原生平台产品经验
- 具备等保、容器安全、镜像安全、多租户权限体系建设经验
- 常先生 刚刚活跃
福利待遇
- 薪资范围：30,000–60,000元/月，共16薪
- 工作地点：北京朝阳区望京国际研发园
工作地址
北京朝阳区望京国际研发园-I座1