资深软件工程师，推理/计算基础设施工程
岗位摘要
构建供给状态机：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、健康校验、退役/退料维修）建模为显式、可版本化的状态与状态转换；构建自助式 API：设计声明式 API 与控制平面，使推理团队通过一次 API 调用即可申请、扩缩容和销毁推理集群，无需工单和人…
岗位职责
- 构建供给状态机：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、健康校验、退役/退料维修）建模为显式、可版本化的状态与状态转换
- 构建自助式 API：设计声明式 API 与控制平面，使推理团队通过一次 API 调用即可申请、扩缩容和销毁推理集群，无需工单和人工介入
- 实现自动自愈：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加入资源池
- 负责供给流水线的可靠性：实现幂等、重试、回滚与漂移检测，使供给系统像其他生产服务一样稳定可靠
- 与推理/机器学习平台团队合作：理解其所需集群形态（拓扑、互连、调度约束），并将其编码为平台中的一等抽象
- 以软件工程方式构建基础设施：采用强类型、自动化测试、代码审查、版本管理和 CI/CD，将其作为产品而非 Ansible 脚本集合
任职要求
- 具备扎实的软件工程背景，熟练掌握 Go、Python、Rust 或类似语言，日常编写并测试真实软件
- 具有持久化工作流编排工具（如 Temporal、Cadence 或同类工具）经验，用于运行长期存活、清单驱动且能在故障后恢复并从中断处继续的工作流
- 具有构建软件控制平面或编排系统的经验，能够对状态建模并随时间进行调和（如 Kubernetes 控制器/Operator、自定义调和循环、工作流引擎）