高级软件工程师，GPU基础设施生命周期管理
岗位摘要
构建配置状态机：设计并实现软件，对物理主机的完整生命周期（从发现、推理启动、GPU驱动/CUDA堆栈、健康验证到退役/RMA）进行建模，作为显式、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，无需工单或人工介入
登录后保留你的岗位线索
邮箱登录后可继续查看完整职责、任职要求和原岗位入口，并使用收藏与浏览记录沉淀适合自己的机会。
岗位职责
- 构建配置状态机：设计并实现软件，对物理主机的完整生命周期（从发现、推理启动、GPU驱动/CUDA堆栈、健康验证到退役/RMA）进行建模，作为显式、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，无需工单或人工介入
- 自动化自愈：检测降级或故障节点，安全地将其排除，触发修复或更换，并自动将健康容量重新引入池中
- 负责管道的可靠性：实现幂等性、重试、回滚和漂移检测，使配置系统像任何其他生产服务一样可靠
- 与推理/ML平台团队合作：了解他们所需的集群形态（拓扑、互连、调度约束），并将其作为平台中的一等抽象进行编码
- 像软件一样进行工程化：对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
- 扎实的软件工程背景，精通Go、Python、Rust或类似语言——您以编写和测试真正的软件为生
- 具有使用Temporal、Cadence或等效的持久工作流编排工具的经验，以运行长生命周期、清单驱动的工作流，这些工作流能在故障后存活并从中断处恢复执行
- 具有构建软件控制平面或编排系统的经验，这些系统能对状态进行建模并随时间协调状态（例如，Kubernetes控制器/操作器、自定义协调循环、工作流引擎）
- 具有事件驱动系统的经验——围绕消息队列、事件流或发布/订阅（例如Kafka、NATS、SQS）设计和构建软件，而不是轮询或cron驱动的脚本
- 具备产品思维。您曾构建过被其他工程团队使用的内部平台或API，并关心所交付产品的开发者体验
- 加分项：熟悉裸金属配置（PXE/iPXE、Redfish/IPMI、BMC）和/或网络基础知识（VLAN、BGP、网络结构设计），或GPU/加速器
福利待遇
- 参与构建下一代AI基础设施的核心系统
- 与顶尖的工程团队合作，解决具有挑战性的技术问题
- 拥有从设计到运营的端到端所有权
- 在快速发展的AI领域产生直接影响
登录后查看完整岗位详情
使用邮箱验证码登录后，可查看完整职责、任职要求、原岗位入口，并继续使用收藏和浏览记录。列表摘要保持公开，完整详情用于保护数据质量和降低恶意抓取。