初级/高级或资深软件工程师，推理/计算基础设施工程
岗位摘要
构建供应状态机：设计并实现软件，将物理主机的完整生命周期（从发现、推理启动到GPU驱动/CUDA栈、健康验证及退役/RMA）建模为显式、版本化的状态和转换；构建自助服务API：设计声明式API和控制平面，使推理团队能够通过一次API调用请求、扩展和拆除推理集群，无需工单或人工干预
岗位职责
- 构建供应状态机：设计并实现软件，将物理主机的完整生命周期（从发现、推理启动到GPU驱动/CUDA栈、健康验证及退役/RMA）建模为显式、版本化的状态和转换
- 构建自助服务API：设计声明式API和控制平面，使推理团队能够通过一次API调用请求、扩展和拆除推理集群，无需工单或人工干预
- 自动化自愈：检测降级或故障节点，安全排空，触发修复或替换，并自动将健康容量重新引入池中
- 负责流水线的可靠性：实现幂等性、重试、回滚和漂移检测，使供应系统与其他生产服务一样可靠
- 与推理/ML平台团队合作：理解他们所需的集群形态（拓扑、互连、调度约束），并将其编码为平台中的一等抽象
- 像软件工程一样构建：为基础设施代码实施强类型、自动化测试、代码审查、版本控制和CI/CD——这是一个产品，而不是Ansible剧本的集合
任职要求
- 精通Go、Python、Rust或类似语言，具备扎实的软件工程背景，以编写和测试真实软件为生
- 具有持久工作流编排工具（如Temporal、Cadence或等效工具）的经验，能够运行长期、清单驱动的工作流，并在故障后恢复
- 具有Kubernetes控制器/CRD模式的实践经验
- 构建或运营过将多个后端抽象为统一接口的平台API
- 了解GPU调度和容量效率（碎片化、装箱、合理配置）
- 具备产品思维，构建过被其他工程团队使用的内部平台或API，并关注开发者体验
- 践行“构建即拥有”，不仅负责交付软件，还负责生产环境的运营和支持