AI基础设施系统工程师（班加罗尔）
岗位摘要
设计并构建集群自动化系统，以最少的人工干预完成GPU集群的开通、验证、部署、升级、修复与退役；构建AI基础设施智能体，实现自动部署、故障根因分析、事故分诊与自主修复；开发集群智能平台，持续监控硬件健康、固件、网络、存储、散热与工作负载性能，在故障影响客户前进行预测
岗位职责
- 设计并构建集群自动化系统，以最少的人工干预完成GPU集群的开通、验证、部署、升级、修复与退役
- 构建AI基础设施智能体，实现自动部署、故障根因分析、事故分诊与自主修复
- 开发集群智能平台，持续监控硬件健康、固件、网络、存储、散热与工作负载性能，在故障影响客户前进行预测
- 开发软件以最大化数千块加速卡的GPU可用率、利用率、性能与可靠性
- 为GPU、InfiniBand/RoCE网络、NVLink/NVSwitch、存储及分布式AI工作负载创建自动化验证系统
- 构建内部平台与开发者工具，使基础设施能够通过软件而非人工操作来管理
- 通过自动化持续提升部署速度、可靠性与运营效率
- 与硬件、网络、平台及AI团队紧密合作，不断突破AI基础设施的极限
任职要求
- 3年以上构建分布式系统、基础设施平台或大规模后端软件的经验
- 具备扎实的软件工程能力，熟练掌握Python、Go或Rust
- 有构建平台、自动化系统或开发者基础设施的经验
- 熟悉Linux、Kubernetes、Terraform、Ansible或类似基础设施技术
- 具备出色的系统性思维，能够理解跨越硬件与软件的问题
- 热衷于通过软件解决复杂的基础设施挑战
- 秉持自动化优先的思维——凡是重复性的任务，本能反应就是构建系统将其消除
- 加分项：GPU基础设施、CUDA、NCCL、NVLink/NVSwitch相关经验
- 加分项：InfiniBand或RoCE网络经验
- 加分项：裸金属资源开通与生命周期管理经验
- 加分项：大规模AI训练或推理集群经验
- 加分项：硬件健康监控与故障预测经验
- 加分项：分布式存储系统经验
- 加分项：AI智能体与自主化基础设施运维经验
福利待遇
- 加入AI原生云公司Together AI，与顶尖的AI与基础设施工程师团队共事
- 参与构建并运营全球规模最大的GPU集群之一，直接支撑前沿模型的训练与推理
- 服务Cursor、Decagon、ElevenLabs、Salesforce、Zoom等知名客户，每月处理超过400万亿Token
- 倡导自动化优先与工程驱动的文化，鼓励用软件取代重复性人工操作
- 公司为平等就业机会雇主，不因种族、肤色、血统、宗教、性别、国籍、性取向、年龄、公民身份、婚姻状况、残疾、性别认同或退伍军人身份等而区别对待