返回岗位列表

站点可靠性工程师（SRE）- 存储方向

查看原岗位

地点：美国薪资：薪资未公开日期：2026-01-29

岗位摘要

部署、维护和扩展EB级别的存储集群，重点关注可观测性、零停机升级以及与高密度GPU环境的集成；排查生产环境中的存储问题，涵盖硬件-软件堆栈：NVMe/PCIe/RDMA路径、固件错误、BMC日志、磁盘故障，进行根本原因分析并实现预防自动化

岗位职责

部署、维护和扩展EB级别的存储集群，重点关注可观测性、零停机升级以及与高密度GPU环境的集成
排查生产环境中的存储问题，涵盖硬件-软件堆栈：NVMe/PCIe/RDMA路径、固件错误、BMC日志、磁盘故障，进行根本原因分析并实现预防自动化
与存储团队合作，验证服务器规格，调试现场问题，并与供应商共同影响面向尖端AI存储的定制设计
评估并引入新的存储供应商和技术；针对AI训练I/O模式，对成本、密度和GPU直接性能进行基准测试
支持存储软件开发工程师，将工程需求转化为可靠、可观测的系统；开发脚本和操作手册以减少重复性工作并实现自助服务
领导传统X存储设备群的硬件更新，包括迁移、退役，并为定制化解决方案设计可重复的流程
参与存储领域的随叫随到轮班（遵循太阳时区，提供丰厚津贴）；响应事件，推动事后分析，并为EiB+级别的增长预测容量
创建和维护大规模AI管道中存储健康状况的文档、标准操作程序和监控

任职要求

计算机科学、工程或相关技术领域的学士学位（或同等经验）
在站点可靠性工程、系统工程或相关领域拥有3年以上经验