岗位职责
-参与超大规模的AI Infra平台架构设计与研发，统一承载预训练、Midtrain、SFT、RL 场景，打通数据版本、代码、镜像、配置、资源与产物，实现全程可观测、可追踪。统一训练指标、系统指标、日志、资源与评估结果视图，支撑实验归因、故障归因、性能与成本分析 -基于 Kubernetes、Ray 等技术栈，设计大规模异构资源调度体系，提供拓扑感知、配额抢占、细粒度容错、弹性扩缩容、长任务恢复、异常对账、灰度回滚等能力，保障超大规模训练任务稳定运行 -建设 Agent 友好的 API 与工作流，统一自然语言、表单、YAML、CLI 的实验与执行语义；探索参数补全、任务编排、故障诊断与受约束自动化实验迭代 -独立完成复杂问题拆解、方案设计、上线验证与复盘改进，推动多团队达成接口、排期与验收共识，识别架构演进与技术债风险并沉淀工程机制
职位要求
-本科及以上学历，计算机、软件工程、人工智能或相关专业；3 年及以上分布式系统、云原生平台、AI Infra 或大模型训练平台研发经验 -熟练掌握 Go、Python、C++、Java 中至少一种语言，能独立完成生产级系统的设计、编码、测试、上线与运维 -具备在大数据处理系统Ray/Spark、分布式系统Kubernetes上构建AI平台的经验 -对大模型一站式实验平台（MLOps/LLMOps）平台建设有深入了解，掌握数据版本管理、实验追踪、模型中心、推理部署、模型评估等模块的技术细节 -具备 Agent 工具调用、MCP/Skill、长期任务状态、评估与回放、Memory 或 Auto Research 相关实践经验 -具备较强的抽象与系统设计能力，能从用户目标出发定义对象、边界、接口与验收指标；具备良好的 Ownership 与跨团队推动能力，自驱力强，敢于攻坚复杂系统问题
