岗位职责
-参与 AI Infra 核心平台的研发与建设，协助支撑大模型训练与推理业务的稳定运行，参与 GPU、RDMA、高速网络等算力资源在云原生体系中的管理与调度能力开发 -参与 GPU、RDMA 等 IaaS 资源的自动化准入、能力识别、基准测试与性能评测，协助建设标准化算力验收与持续评测体系，支持不同硬件规格在集群环境下的可用性验证 -参与 Kubernetes 容器平台相关模块的研发与优化，协助推进平台在高可用、稳定性、安全性、性能、可扩展性等方向的能力建设，参与调度、资源隔离、设备插件、网络或存储等相关模块的开发与问题排查 -参与大模型推理与训练业务的平台侧工程化落地，协助优化资源利用率、调度效率与平台稳定性，支持推理与训练场景下的资源管理与性能优化工作 -参与多卡、多机 GPU 集群场景下的平台研发与稳定性建设，协助分析和处理生产环境中的性能抖动、资源碎片化、调度异常等问题 - 参与运维与运营平台后端研发，支持算力运营、性能监控、容量管理与成本治理等相关能力建设，参与监控、日志、Tracing 等可观测体系的开发与维护，推动常见问题定位与处理流程的自动化
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 -了解 Kubernetes、容器、云原生等相关技术体系，对容器平台或分布式系统有实践兴趣 -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、网络、存储、资源隔离等基本原理 -具备良好的工程习惯、文档意识和沟通协作能力，能够主动学习并推动问题解决 -对 GPU、RDMA、高速网络等算力基础设施有一定了解，对 AI Infra 方向有较强兴趣 -有 Kubernetes、云原生、分布式系统、GPU / HPC 相关项目经验者优先 -了解大模型训练与推理的基本流程，能够从平台侧理解其运行需求者优先 -了解多卡/多机场景下常见并行模式（如 TP/DP/PP/PD）者优先 -具备较强的问题分析与定位能力，能够在指导下完成复杂系统中的问题排查与模块开发
