资深及以上软件工程师，节点基础设施
岗位摘要
负责节点生命周期管理的技术战略与路线图，涵盖算力接入、上架启动、健康检查和自动修复；推动跨团队计划，在多个云平台和加速器系列上构建并扩展 AI 集群；设计并运营自动检测、隔离和修复异常硬件的系统，提高集群平均无故障时间（MTBI）并减少闲置容量
岗位职责
- 负责节点生命周期管理的技术战略与路线图，涵盖算力接入、上架启动、健康检查和自动修复
- 推动跨团队计划，在多个云平台和加速器系列上构建并扩展 AI 集群
- 设计并运营自动检测、隔离和修复异常硬件的系统，提高集群平均无故障时间（MTBI）并减少闲置容量
- 定义基础设施架构，确保最困难的问题得到解决——无论由你直接处理还是通过推动他人完成
- 与云厂商及内部研究、推理和产品团队紧密合作，制定长期算力、数据与基础设施战略
- 建立并持续改进运维卓越实践，包括事件响应、复盘文化和值班机制
- 通过技术指导和辅导，支持周围工程师的成长
任职要求
- 深入掌握分布式系统、可靠性和云平台（如 Kubernetes、IaC、AWS/GCP/Azure）
- 精通至少一种系统编程语言（如 Rust、Go 或 Python），并熟练使用 Terraform 进行基础设施即代码管理
- 具有机器学习加速器（GPU、TPU 或 Trainium）的实操经验
- 有领导跨团队或跨系统的复杂、多季度技术计划的成功记录
- 能够与资深利益相关者建立共识，并在各层级进行有效沟通
- 10 年以上软件工程经验，包括担任技术负责人并为团队设定方向
- 具有超大规模（1 万+节点）计算基础设施管理经验，包括容量管理与效率优化
- 深入了解以下一项或多项：Kubernetes 内部机制（调度器、自动扩缩器、kubelet、Karpenter）、集群编排系统（Mesos、Borg 类）或节点配置流水线
- 具备底层系统经验：内核、虚拟化、设备驱动、固件，或硬件健康/诊断守护进程
- 熟悉面向分布式机器学习工作负载的高性能网络（EFA、RDMA、InfiniBand）
- 有高吞吐、延迟敏感型生产系统的可靠性负责经验
- 对相关开源项目有贡献（Kubernetes、Linux 内核、容器运行时等）
- 能快速理解系统设计权衡，并跟踪快速演进的软件系统