机器学习平台 SRE 工程师

查看原岗位

地点：北京薪资：25-50K 日期：2026-06-26

岗位摘要

负责月之暗面大规模 GPU 训练与推理集群的稳定性保障，支撑业务 7×24 高可用运行；负责 Kubernetes 及云原生周边系统（监控、日志、镜像分发、存储）的运维保障与平台化工具开发以及疑难问题的排查解决

3 年以上大规模分布式系统或云原生基础设施 SRE 经验，有 1000+ 节点 Kubernetes 集群的运维或建设经历
了解 Kubernetes 及生态，理解 Operator、Device Plugin 或 CNI/CSI 插件的工作原理
熟悉 Prometheus / Grafana / Loki / ELK 等可观测体系，具备基于 eBPF 或 NVIDIA Nsight 进行性能剖析与故障定位的能力
具备 Go / Python / Rust 至少一门语言的开发能力，能独立完成自动化运维工具、Operator 或监控 Exporter 的开发
具备良好沟通合作能力和扎实的工程素养

北京海淀区京东科技大厦13层