职位描述1、负责基于 SV系列 DCGM 的 GPU 集群管理工具的模块开发与维护，包括数据采集 Agent、后端策略引擎、健康检查与诊断逻辑、前端指标展示等全链路功能。 2、实现对 GPU 运行时的 Kernel 算子耗时、显存带宽、SM 占用率、功耗与频率等关键指标的实时采集与监控，支持从单机到数千节点规模的集群部署。 3、负责 DCGM 与 Kubernetes 生态的深度集成（包括 DCGM-Exporter 容器化部署），打通 Prometheus / Grafana 等监控体系，构建 GPU 资源的全生命周期可观测能力。 4、编写自动化测试脚本与 CI/CD 流水线，确保管理工具在不同驱动版本、容器运行时和虚拟化平台下的兼容性与稳定性。 5、配合算法与平台团队，针对 LLM/MoE 等特定 AI 训练场景开发定制化的 GPU 性能分析与资源调度插件。 6、编写详细的技术文档、API 接口说明和用户操作手册，支撑内外部团队的产品接入与二次开发。任职要求1、本科及以上学历，计算机相关专业，5年以上相关经验；硕士研究生可放宽至3年相关工作经验。 2、熟练掌握 C/C++，了解多线程编程和网络编程，具备 Linux 用户态系统软件开发经验。 3、熟悉分布式系统架构，有容器化部署与常见编排框架（Kubernetes/Docker）的使用和开发经验。 4、具备良好的英语阅读能力，能阅读 NVIDIA DCGM / NVML 官方技术手册与 API 文档。 5、熟悉 Prometheus、Grafana、OpenTelemetry 等监控指标体系者优先。 6、有实际项目中使用 DCGM、NVML、NVML API 或 nvidia-smi 进行二次开发经验者优先。 7、熟悉 Python/Go/Rust 任一脚本或系统编程语言，有跨语言接口（FFI/SWIG）开发经验者优先。 8、接触过 CUDA 编程或具备 GPU 集群运维开发背景者优先。
