岗位职责
- 建设覆盖灵骏智算集群、超节点、节点、硬件与网络的统一健康诊断、自愈与智能故障治理体系，围绕算力可用性、故障恢复效率、规模运维效率等目标，构建“异常快速发现-智能根因分析-故障自愈处置”的闭环系统。
- 建设超节点Scale-Up网络全生命周期管理与全链路监控自愈系统，构建超节点Scale-Up设备管理、Scale-Up网络故障发现与自愈处置、Scale-Up网络压测、Scale-Up网络仿真模拟平台等核心能力。
- 建设智算组件版本管理与变更控制系统，构建核心系统能力，实现组件版本可管理、兼容关系可校验、变更过程可控制、执行结果可追溯的目标。
- 持续跟踪AI智算、云原生及智能运维领域新技术，结合业务场景进行创新。
- 该职位涉及值班响应的职责，在服务级别协议（SLA）时间内做出对客响应，推动客户问题的解决，改善客户体验。
职位要求
- 拥有3年以上大规模分布式系统设计及研发经验，独立负责过包含多模块的业务子系统，包括接口定义、架构设计及关键分布式问题的技术方案细化等工作。
- 编程基本功扎实，熟悉数据结构和算法，熟练掌握Golang/Java/Python/C++中至少一种开发语言。
- 系统工程能力扎实过硬，线上稳定性意识强，对于复杂的线上系统具备较强的技术敏感度和故障排查经验；有过线上系统监控体系、变更体系/流程设计和研发经验者优先。
- 业务感觉良好，有具有出色的抽象设计能力，思路清晰，善于思考，能独立分析和解决问题，能够主导并驱动完整的技术产品项目者优先。
- 具备较复杂项目的良好管理能力，有项目负责人或者研发团队接口人经验者优先。
- 团队协作能力良好，有实线或者虚线带人完成技术项目者优先。
- 熟悉AI框架、云原生、微服务原理和设计模式者优先。
