岗位职责
- 设计与实现电商场景多租户算力资源管理与调度体系（GPU/CPU/内存/网络），支持训练、推理、评测等多场景的容量规划、配额与隔离；
- 优化集群调度与队列策略（优先级、预占/回收、抢占/让渡），提升资源利用率与SLA稳定性；
- 构建适合电商场景的端到端FinOps能力（成本归因、预算控制、用量可视化、成本优化策略），持续降本增效；
- 打造弹性伸缩与自动化恢复能力（自动扩容/缩容、故障域隔离、灰度与回滚、容灾演练）；建设可观测性与治理体系（监控/日志/Tracing/告警/审计），形成容量与性能调优闭环；
- 规划并实现大模型数据平台（原始语料→清洗→标注→去重→采样→版本管理→数据血缘→合规审计），支撑SFT/RLHF/评测等流程；设计高吞吐与低延迟的数据链路与存储方案（对象存储/数据湖/分布式文件系统/缓存），优化IO与数据冷热分层；
- 构建批流一体的ETL/ELT流水线与质量体系（规则校验、异常检测、覆盖率与漂移监控、指标看板）；建设数据安全与合规机制（PII治理、脱敏/加密、访问控制、密钥管理、审计留痕），满足内部与外部合规要求；推进数据资产化（元数据、标签体系、数据/特征版本与复用），提升数据可发现与可复用性。
职位要求
- 扎实的工程背景：精通至少一种主流语言（Go/Java/Python），具备高并发、分布式系统设计与性能优化经验；
- 资源与调度：熟悉Kubernetes生态与GPU调度（如Volcano/Kueue/自研调度器）、容器网络与存储、服务编排与弹性伸缩；
- 存储与数据：了解对象存储/分布式文件系统/数据湖（Iceberg/Delta Lake）、消息与流处理（Kafka/Flink/Spark）、数据质量与血缘；
- 可观测与治理：掌握监控与告警（Prometheus/Grafana/ELK）、审计与权限体系（IAM/KMS/加密），具备故障定位与稳定性治理能力；
- 性能与成本：有资源利用率提升、训练/推理性能优化、成本管控与FinOps落地经验；
- 良好的跨团队协作与沟通能力，能够与模型/平台/安全/合规等协作方共同推进复杂项目。 加分项
- 有大模型训练/推理Infra经验（NCCL/CUDA、Triton/Ray/自研推理服务、权重与KV缓存优化）；
- 参与过RLHF/数据标注平台/数据评测基线建设，具备数据闭环与在线反馈的工程化经验；
- 具备多云/混合云实践、裸金属与高性能网络栈优化（RDMA/NVLink/Topo-aware调度）；
- 具备资源调度器或数据平台自研经历，开放源码贡献或论文/技术演讲经历。
