返回岗位列表

GPU集群SRE工程师

查看原岗位

地点：北京薪资：薪资未公开日期：2026-07-20

岗位摘要

负责月之暗面大规模GPU训练与推理集群的稳定性保障，支撑业务7×24高可用运行；负责Kubernetes及云原生周边系统（监控、日志、镜像分发、存储）的运维保障与平台化工具开发以及疑难问题的排查解决

岗位职责

负责月之暗面大规模GPU训练与推理集群的稳定性保障，支撑业务7×24高可用运行
负责Kubernetes及云原生周边系统（监控、日志、镜像分发、存储）的运维保障与平台化工具开发以及疑难问题的排查解决
负责GPU节点硬件故障的自动化巡检、自愈体系与告警治理
参与OnCall值班，响应集群级突发事件（网络拥塞、调度热点、训练任务失败）

任职要求

3年以上大规模分布式系统或云原生基础设施SRE经验，有1000+节点Kubernetes集群的运维或建设经历
了解Kubernetes及生态，理解Operator、Device Plugin或CNI/CSI插件的工作原理
熟悉Prometheus / Grafana / Loki / ELK等可观测体系，具备基于eBPF或NVIDIA Nsight进行性能剖析与故障定位的能力
具备Go / Python / Rust至少一门语言的开发能力，能独立完成自动化运维工具、Operator或监控Exporter的开发
具备良好沟通合作能力和扎实的工程素养