高级软件工程师 - Together 云基础设施
岗位摘要
设计、构建并维护高性能、安全且高可用的后端服务与 Operator，在数据中心内实现硬件管理自动化，如 Infiniband 分区、数据中心内并行存储供给与虚拟机供给；为拥有数千块 GPU 的新建 GB200 数据中心设计并构建 IaaS 软件层
岗位职责
- 设计、构建并维护高性能、安全且高可用的后端服务与 Operator，在数据中心内实现硬件管理自动化，如 Infiniband 分区、数据中心内并行存储供给与虚拟机供给
- 为拥有数千块 GPU 的新建 GB200 数据中心设计并构建 IaaS 软件层
- 参与构建全球多艾字节级高性能对象存储，为预训练提供海量数据集服务
- 为客户构建先进的可观测性技术栈，并提供自动化节点生命周期管理，以支持容错型分布式预训练
- 针对去中心化 AI 工作负载开展架构设计与研究工作
- 参与 Together AI 核心开源平台的开发与维护
- 创建服务、工具以及面向开发者的技术文档
- 构建测试框架，以确保系统的健壮性与容错能力
任职要求
- 5 年以上专业软件开发经验，精通至少一门后端编程语言（优先考虑 Golang）
- 5 年以上编写高性能、测试充分的生产级代码的经验
- 具备在一个或多个云服务商（AWS、Azure、GCP）上构建并运维高性能或全球分布式微服务架构的实际经验
- 优秀的沟通能力，能够撰写清晰的设计文档，并与技术和非技术团队成员高效协作
- 深入了解 Kubernetes 内部机制者优先，例如实现复杂的 Kubernetes Operator、设备/存储/网络插件、自定义调度器，或对上述组件及 Kubernetes 本身进行补丁修改
- 深入了解虚拟机与虚拟化监控程序者优先，例如 QEMU/KVM、cloud-hypervisor、VFIO、virtio、PCIE 直通、Kubevirt、SR-IOV
- 深入了解数据中心网络技术与解决方案者优先，例如 VLAN、VXLAN、VPN、VPC、OVS/OVN
- 具备 Cluster API 或类似工具的使用经验者优先
- 具备高性能计算、网络或存储领域的工作经验者优先
- 具备 GPU 或 Infiniband 虚拟化经验者优先
- 在计算、网络和存储方面具备扎实的系统知识，包括并发、内存管理、高性能 I/O 与规模化能力
- 具备基础设施自动化工具（Terraform、Ansible）、监控与可观测性技术栈（Prometheus、Grafana）以及 CI/CD 流水线（GitHub Actions、ArgoCD）的使用经验
- 具备大规模构建 IaaS 或 PaaS 系统的经验者优先
- 具备 DPU/SmartNIC 相关经验者优先
- 具备 GPU 编程、NCCL、CUDA 相关知识者优先
- 需要具备深厚的技术功底，以及出色的沟通、协作与协调能力，并拥有扎实的软件开发基础与系统知识、故障排查能力