岗位职责
-参与 AI Infra 异构算力基础设施平台的研发与建设，面向大模型训练与推理业务，参与 GPU、RDMA、高速网络等算力资源的统一接入、管理与交付能力开发，支撑异构算力资源的规模化供给与稳定运行 -参与异构算力资源自动化准入与验收体系建设，协助开发硬件能力识别、环境检测、健康检查、基准测试与性能评测等能力，支持不同 GPU 型号、服务器架构及网络环境下的兼容性验证与质量评估 -参与算力资源全生命周期管理能力建设，包括资源发现、注册纳管、状态管理、资源分配、回收与故障处理等，协助提升异构算力资源管理的标准化、自动化与可靠性 -参与 GPU、RDMA、高速网络等基础设施的性能优化与稳定性建设，协助分析多卡、多机环境下的硬件兼容、网络通信、性能抖动及资源异常等问题，提升算力资源的可用性与交付质量 -参与算力管理与运营平台后端研发，支持资源库存、容量管理、使用率统计、成本治理与运营分析等能力建设，协助提升算力资源利用率、交付效率和运营管理水平 -参与基础设施可观测性、自动化运维与故障诊断能力建设，协助开发监控、日志、事件告警、自动巡检及异常处理等相关模块，参与生产环境问题排查，推动算力资源交付与运维流程的自动化和智能化
职位要求
-计算机相关专业本科或硕士在读，具备扎实的计算机基础，熟悉操作系统、计算机网络、数据结构与算法等基础知识 -熟悉 Go、Python、C / C++、Java 中至少一种编程语言，具备良好的编码能力，熟悉 Go 语言者优先 -熟悉 Linux 操作系统基础，了解进程管理、内存管理、网络、存储及系统资源管理等基本原理，具备一定的 Linux 环境开发与问题排查能力 -了解计算机体系结构、服务器硬件及网络基础知识，对 CPU、GPU、PCIe、NUMA、RDMA 等相关技术有一定认识 -了解 Docker、Kubernetes 等容器与云原生技术体系，理解容器化部署及基础设施资源管理的基本概念 -对 GPU、RDMA、高速网络等 AI 算力基础设施有较强兴趣，愿意深入学习异构硬件管理、性能测试与分布式计算相关技术 -有 Linux 系统开发、后端服务、分布式系统、云计算、GPU / HPC 或自动化测试相关项目经验者优先 -了解 GPU 计算基础及常见性能指标，对 CUDA、NCCL、GPU 监控、性能评测或多机通信等技术有一定了解者优先 -了解大模型训练与推理的基本流程，能够从基础设施侧理解 AI 业务对计算、网络、存储及资源稳定性的需求者优先 -具备良好的工程习惯、文档意识和沟通协作能力，具有较强的主动学习、问题分析与定位能力，能够在指导下完成模块开发、性能分析与复杂问题排查
