Kubernetes 平台资深软件工程师
岗位摘要
负责拥有、运营并扩展 Anthropic 加速器集群的 Kubernetes 调度器，包括用于成组调度、拓扑感知和抢占的自定义调度插件与策略；扩展 Kubernetes 控制平面（apiserver、etcd、controller-manager），支持远超常规限制的集群，并在下一个瓶颈出现前主动…
岗位职责
- 负责拥有、运营并扩展 Anthropic 加速器集群的 Kubernetes 调度器，包括用于成组调度、拓扑感知和抢占的自定义调度插件与策略
- 扩展 Kubernetes 控制平面（apiserver、etcd、controller-manager），支持远超常规限制的集群，并在下一个瓶颈出现前主动发现并解决它
- 设计、构建并运营核心集群服务（如服务发现），这些服务是集群中所有工作负载所依赖的
- 构建并维护自定义控制器、Operator 和 CRD
- 与研究、训练和推理团队合作，理解工作负载形态，并将其需求转化为平台能力
- 与云服务提供商协作，推动所需功能并处理升级与支持事项
- 参与值班，主导事件响应，并设计事后复盘、运维手册、SLO 等流程，帮助团队避免重复故障
任职要求
- 拥有构建和运营生产级分布式系统的丰富软件工程经验
- 精通至少一种适合系统编程的语言（如 Go、Python、Rust 或 C++）
- 具备深入的 Kubernetes 实操经验（远不止普通用户层面），涉及调度器、控制器、apiserver 或运营大型多租户集群
- 具备跨栈调试复杂问题的能力，能从 API 行为一直定位到节点与网络层面的根因
- 在他人依赖的系统中有面向可靠性、正确性和清晰故障语义进行设计的成功经验
- 具备优秀的书面和口头沟通能力，能够与内部利益相关者建立共识
- 具备 Kubernetes 内部机制经验或社区贡献，如 kube-scheduler/调度框架、apiserver、etcd、client-go、controller-runtime 等
- 具备构建或运营集群调度器或批处理系统的经验，如 Kueue、Volcano、Slurm 或内部同类系统
- 具备扩展控制平面或协调系统的背景，如 etcd、ZooKeeper、Consul 或大规模 DNS/服务网格部署
- 熟悉 ML 基础设施：GPU、TPU 或 Trainium；成组调度；拓扑感知放置；NCCL 等集合通信
- 具备 GCP 和/或 AWS 经验，包括 GKE/EKS 内部机制与基础设施即代码
- 具备底层系统经验，如 Linux 内核调优、cgroups 等