AI平台运维工程师
岗位摘要
保障十万卡GPU集群稳定运行，设计系统自愈能力，确保硬件故障下训练不中断；支持大模型训练断点续训与推理服务秒级弹性伸缩，平衡实验速度与生产稳定性；建立可观测、可追溯、可解释体系，监控GPU利用率、NCCL通信延迟、checkpoint耗时等指标
岗位职责
- 保障十万卡GPU集群稳定运行，设计系统自愈能力，确保硬件故障下训练不中断
- 支持大模型训练断点续训与推理服务秒级弹性伸缩，平衡实验速度与生产稳定性
- 建立可观测、可追溯、可解释体系，监控GPU利用率、NCCL通信延迟、checkpoint耗时等指标
- 探索并引入前沿调度、网络协议与存储方案，应对模型规模扩大带来的挑战
- 参与复杂故障排查，包括显存溢出等问题，并根据问题需要承担代码、硬件或架构工作
- 主导公司运维平台（CMDB、运维作业、可观测等）的架构设计和开发
- 对接第三方开放平台、监控系统、仓管系统、采购系统等
- 与运维、采购、研发团队深度协作，不断完善运维开发需求
任职要求
- 对AGI有真实热情，愿意长期投入通用人工智能基础设施建设
- 具备拆解复杂问题的逻辑能力，能将模糊故障转化为可验证假设并逐步缩小范围
- 拥有系统性技术视野，理解从GPU计算、显存、NVLink、网卡、存储到调度的数据流动与瓶颈
- 具备清晰表达能力，能写文档、画图并进行跨团队沟通
- 有动手实践冲动，看到新工具或框架愿意立即尝试，并重视生产环境变更回滚与事故复盘
- 熟悉Linux操作系统，理解进程、内存、文件系统、网络基本原理
- 接触过Docker/Kubernetes，理解Pod、调度、资源配额等核心概念
- 了解PyTorch/TensorFlow基本工作方式，能看懂常见报错信息
- 会用Python或Shell编写脚本解决重复性劳动
- 了解RDMA/InfiniBand/GPU架构者加分
- 本科及以上学历，较好的Python/Golang开发能力与扎实工程能力
- 对运维体系有较全面认知，深入理解运维流程，熟悉CMDB、工单系统等运维平台
- 加分项：3年以上一线运维经历，熟悉SRE体系，有成熟运维平台开发经历
加分项
- 3年以上一线运维经历，深知运维痛点
- 熟悉SRE体系
- 成熟运维平台开发经历
- 张女士 刚刚活跃
福利待遇
- 最重要的岗位：入职第一天即面对最核心挑战，不会从修机器、装系统、写日报开始
- 极快的成长速度：需要解决足够复杂的问题，能力会被快速拉伸
- 技术自由：技术栈由问题决定，而非公司标准，鼓励尝试新工具、新方案
- 与优秀的人同行：团队对AGI充满热情，一起踩坑、填坑、成长
工作地址
北京海淀区融科资讯中心融科资讯中心