岗位职责
- 保障AI服务稳定性： 覆盖大模型训练以及后训练、AI Agent、模型推理部署与性能、评测环境、安全沙箱等全链路以及相关平台，构建预警、定位、自愈、降级等核心可靠性能力，负责全站全生命周期应急工作；
- 构建资源治理与成本优化体系： 面向算力使用，落地资源配额、极致的训推资源调度效率提升与优先级管理，成本归因及优化方案，保障AI业务规模化下的经济可持续运营。
- 探索AI驱动的智能化运维： 将AIOps与AI Agent融入稳定性工作，建设异常检测、质量退化识别等智能运维能力，共同探索运维harness架构，用AI保障AI的运行可靠性。
职位要求
● 必备项： ○ 工程能力扎实，熟悉AI技术栈，精通Python/Golang/Java至少一种。 ○ 二选一，熟悉推理服务架构（vLLM/SGLang/tensorRT/Triton等）或Agent执行链路/熟悉训练服务架构，了解大模型训练基础理论和常用训练框架。 ○ 熟练掌握大模型相关基础知识，如Transformers架构、Attention、GPU与计算基础（cuda、pcie、nccl）、云原生与资源调度等。 ○ 基于ROI为AGI稳定性承担端到端责任。 ● 加分项： ○ AI推理/训练服务及相关平台稳定性保障或SLO建设落地经验。 ○ 具有AI公司应用层稳定性相关工作经历，或SRE/可靠性领域开源贡献。 ○ 具备AI Infra研发或算子优化、模型量化工作经验优先。 ○ 具备大模型推理性能调优经验、sglang等主流社区有效PR经历者优先。
