AI算力集群性能与可靠性工程师
岗位摘要
负责AI超算集群中前沿加速卡、服务器、超节点等基础设施的日常运维开发工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行；负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能调优、验证工作，确保资源能够高质量高性能投入生产
岗位职责
- 负责AI超算集群中前沿加速卡、服务器、超节点等基础设施的日常运维开发工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行
- 负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能调优、验证工作，确保资源能够高质量高性能投入生产
- 负责建设和优化面向AI超算集群的监控、告警与可观测性体系，实现集群健康状态的实时感知
- 构建自动化运维工具链，提升故障自愈率与运维效率，降低人工干预成本
任职要求
- 本科及以上学历，计算机、电子、通信、自动化或相关专业优先
- 具备Linux服务器运维经验，熟悉集群环境下的系统管理、故障排查与性能分析
- 熟悉GPU/AI加速卡服务器、RDMA网络等相关基础设施，有实际运维经验者优先
- 具备良好的脚本或自动化能力，能够使用Shell、Python、LLM等工具提升运维效率
- 具备良好的沟通协作能力、责任心和现场问题推动能力，能在跨团队协同场景下高效推进问题解决
加分项
- 有大规模AI超算集群（千卡以上）运维经验
- 有机房交付、批量上架、集群 bring
- up、验收测试经验
- 有 GPU 服务器压测、性能基线建立、异常案例归因和优化经验
- 具备监控体系建设经验（如Prometheus、Grafana等），有可观测性平台落地经验者优先
- 在 HPC 赛事（SC / ASC / ISC / PAC）中取得优异成绩
工作地址
杭州拱墅区汇金国际A座