AI超算集群运维工程师

查看原岗位

地点：杭州薪资：薪资未公开日期：2026-06-27

岗位摘要

负责AI超算集群中前沿加速卡、服务器、超节点等基础设施的日常运维开发工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行；负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能调优、验证工作，确保资源能够高质量高性能投入生产

负责AI超算集群中前沿加速卡、服务器、超节点等基础设施的日常运维开发工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行
负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能调优、验证工作，确保资源能够高质量高性能投入生产
负责建设和优化面向AI超算集群的监控、告警与可观测性体系，实现集群健康状态的实时感知
构建自动化运维工具链，提升故障自愈率与运维效率，降低人工干预成本

有大规模AI超算集群（千卡以上）运维经验
有机房交付、批量上架、集群 bring
up、验收测试经验
有 GPU 服务器压测、性能基线建立、异常案例归因和优化经验
具备监控体系建设经验（如Prometheus、Grafana等），有可观测性平台落地经验者优先
在 HPC 赛事（SC / ASC / ISC / PAC）中取得优异成绩
AGI 时代的竞争，本质上也是大规模算力系统性能与可靠性的竞争。这里不是简单地维护机器，而是在参与建设 AGI 时代的核心基础设施。团队的价值，是让巨大而复杂的 AI 超算集群成为稳定可靠的生产力，让模型的每一次训练和推理都建立在坚实可靠的算力底座之上
【岗位类别】：实习/全职
有机房交付、批量上架、集群 bring-up、验收测试经验