职位描述
1. 负责多云 AI 算力平台建设与运营，对接火山引擎、阿里云、腾讯云等公有云资源，承担云服务器、容器、存储、网络、GPU 等资源的统一纳管与日常运维，保障算力平台稳定、安全、高效运行。
2. 基于 Kubernetes 构建和运维 AI 算力集群，深入理解 K8s 调度器、控制器、资源模型、污点与容忍、CRD、容器运行时等核心机制，持续优化集群调度策略，支撑 AI 训练与推理任务稳定落地。
3. 负责 GPU 异构资源管理与调度优化，结合云厂商 AI 平台能力，如阿里云 PAI、火山引擎 AI 平台、腾讯云 AI 平台等，实现平台能力集成与自动化调度。
4. 负责多云算力成本全生命周期管理，识别 GPU / 云资源闲置、异常消费与资源浪费，落地资源缩容、混部、调度优化等降本方案，输出成本分析、资源利用率报表，支撑业务预算管控与资源规划。
5. 设计并建设多云统一可观测体系，基于 Prometheus、Grafana 等工具构建指标采集、监控大盘、告警与容量分析能力，实现跨云资源用量、集群状态、任务运行情况、业务实例的集中可视与统一管理，同时将成本指标纳入统一监控大盘。
6. 面向业务团队提供算力平台技术支持，包括资源方案评估、任务部署指导、容量规划、成本分析、权限与安全策略建议，帮助业务高效、低成本使用多云 AI 算力资源。
7. 参与多云资源管理平台、AI 训练 / 推理平台、监控告警平台的建设与迭代，沉淀自动化运维能力，通过脚本、Operator、API 集成等方式提升平台运维效率与稳定性。
8. 负责平台相关的问题排查与故障处理，包括但不限于 K8s 集群、GPU 调度、容器网络、存储、镜像、监控告警、云资源权限与配额等复杂问题的定位和修复。
9. 负责多云云账号、密钥及权限体系管理，依据最小权限原则完成权限管控与账号生命周期管理，定期开展权限安全审计，落地 SSO、MFA 等安全机制，保障云平台访问安全合规。
10. 负责主流大模型服务、API 密钥及调用额度管控，维护统一模型网关，配置限流、路由等策略，监控模型调用成本与运行状态，排查各类调用故障，支撑业务模型接入使用。任职要求
1. 本科及以上学历，计算机、云计算、人工智能或相关专业，3 年以上云原生、Kubernetes、容器平台、AI 算力平台或云成本治理相关工作经验。
2. 精通 Kubernetes 核心机制，包括调度器、资源管理、Pod/Node/Namespace、污点容忍、CRD、Controller、容器运行时等，具备生产级 K8s 集群运维与优化经验。
3. 熟悉多云平台架构，有火山引擎、阿里云、腾讯云中至少两家以上的实际使用经验，熟悉云服务器、容器服务、存储、网络、IAM、配额与限流等基础产品能力。
4. 具备 GPU 算力平台实战经验，理解 GPU 调度、资源隔离、任务混部、算力碎片治理，有 GPU binpack、GPU 虚拟化、MIG 或类似优化方案落地经验者优先。
5. 掌握 FinOps 理念与实践，具备多云账单拆分、成本归因、资源利用率分析实战经验；能够识别资源浪费，设计并落地算力降本优化方案，输出成本报表，对接财务完成账单对账。
6. 熟悉可观测性工具链，熟练使用 Prometheus、Grafana、告警管理器等，能够设计多云多集群统一监控方案，并输出资源用量、容量、成本和业务运行状态看板。
7. 熟悉 Linux 系统管理，能够编写运维自动化脚本、Operator 或云平台集成工具。
8. 了解 AI 训练、推理任务特点，熟悉 Docker、K8s，能够与研发、算法和平台团队高效协作。
9. 具备良好的问题分析能力和线上故障排查能力，能够在复杂多云环境中快速定位 K8s、GPU、监控、网络、存储和权限类问题。
加分项
- 有阿里云 PAI、火山引擎机器学习平台集成或使用经验；
- 有 Volcano、Kubeflow 等 AI 调度框架实践经验；
- 有多云联邦、多集群管理、CMP 资源统一纳管平台建设经验；
- 熟悉 GPU 虚拟化、MIG、vGPU、GPU 共享切分技术；
- 熟悉 Terraform、Ansible、ArgoCD 等 IaC/GitOps 自动化工具；
- FinOps 相关加分：拥有大规模 GPU 算力成本治理、预算管控、成本分摊落地经验；
- 熟悉大模型网关、Token 计量、模型调用限流、额度管控。
