研究工程师/性能工程师，强化学习分布式系统
岗位摘要
设计、构建和运营支撑大规模强化学习的分布式系统，覆盖训练、采样和环境执行；发现并消除当前系统的限制因素，包括调度、数据移动、存储、网络或协调等方面；在每一层构建容错能力：故障检测、隔离和恢复，使长期运行的任务无需人工干预即可持续推进
岗位职责
- 设计、构建和运营支撑大规模强化学习的分布式系统，覆盖训练、采样和环境执行
- 发现并消除当前系统的限制因素，包括调度、数据移动、存储、网络或协调等方面
- 在每一层构建容错能力：故障检测、隔离和恢复，使长期运行的任务无需人工干预即可持续推进
- 设计资源管理和自动扩缩容机制，使计算资源随任务需求变化而动态调整
- 构建可观测性，以便理解任务运行状态及其变慢、停滞或产生意外结果的原因
- 构建自动化工具来检测和修复常见问题，并设计接口让工程师和自动化工具能安全地操作任务
- 与研究人员和性能工程师合作，确保系统变更保持训练正确性且不引入微妙的非确定性
- 通过事故复盘、测试和重新设计从源头消除故障类别，并为所构建的系统撰写清晰的设计文档
任职要求
- 精通 Python 及至少一种系统级语言（如 Rust、C++ 或 Go）的软件工程能力
- 具有设计、构建和运营生产级大规模分布式系统的经验
- 深入理解分布式系统基本原理，包括一致性、协调、共识、故障模式和恢复
- 能够定量分析计算、内存、存储和网络方面的吞吐量、延迟和资源成本
- 具有调试跨多主机和服务的复杂故障的经验，包括无法在本地复现的故障
- 出色的书面沟通能力，包括设计文档撰写