职位描述一、岗位定位 参与建设支撑大模型训练与推理的主机基础设施，将大规模 GPU 服务器打造为可编程、可观测、可诊断、可自愈的标准化计算节点，持续提升 AI 集群的稳定性、资源利用率和扩展效率。 二、你将负责 1. 设计和研发 GPU 主机管理控制面，实现节点状态管理、配置下发、故障诊断、自动恢复和交付验收。 2. 打通物理硬件、Linux 操作系统、容器与资源调度平台，推动主机能力标准化、平台化。 3. 深入 GPU、CPU、内存、网络和存储等关键链路，定位并解决复杂的稳定性与性能问题。 4. 建设面向大规模节点的监控、故障决策和自动化运维体系，降低人工维护成本。 5. 优化主机系统架构与运行机制，提升集群资源利用率、可靠性和规模化交付效 率。 6. 与硬件、数据中心、网络、存储、调度及业务团队协作，推动基础设施能力持续演进。任职要求三、我们期望你具备 1. 计算机、软件工程、电子信息或相关专业本科及以上学历。 2. 深入理解 Linux、操作系统和计算机体系结构，具备跨应用、系统与硬件分析问题的能力。 3. 熟悉 GPU 服务器，理解 CPU、内存、网络、存储及硬件拓扑之间的关系。 4. 熟练掌握 Go、Python、C/C++ 中至少一门语言，具备良好的系统设计、编码和调 试能力。 5. 能够通过建立假设、设计实验和分析数据，定位跨软硬件栈的复杂问题。 6. 具备规模化系统思维，关注故障边界、一致性、可观测性和自动恢复能力。 7. 具备较强的 Owner 意识，能够推动系统从设计、研发到上线及长期稳定运行。 四、加分项 - 有大规模 GPU 集群、AI Infra、HPC 或智算中心建设经验。 - 有公有云 IaaS、裸金属服务、主机控制面或分布式基础设施研发经验。 - 熟悉 Linux 内核、eBPF、GPU 软件栈、高性能网络或存储系统。 - 有系统性能优化、复杂生产故障诊断或自动化运维经验。 - 对软硬件协同、系统性能和基础设施工程有持续的兴趣与实践。
