岗位职责
- 负责公有云场景下GPU云服务器的稳定性架构设计与优化，主导从底层硬件适配到上层软件栈的全链路稳定性保障方案落地，构建GPU云服务器稳定性监控与预警体系，实现潜在风险的提前识别与自动化处置；
- 深入分析GPU云服务器在运行过程中的稳定性瓶颈，包括但不限于GPU硬件故障、驱动兼容性问题、虚拟化层性能损耗等，解决GPU云服务器在集成、测试、上线及运维过程中的复杂稳定性问题；
- 跟踪GPU技术及公有云领域的稳定性技术前沿，将业界先进实践引入团队，持续提升GPU云服务器的稳定性水平与核心竞争力。
职位要求
- 5年以上公有云基础设施开发或GPU相关技术领域工作经验，其中至少2年以上稳定性架构设计或技术攻坚经验；
- 精通GPU硬件原理（如CUDA、显存管理、算力调度等）及主流GPU驱动的工作机制，能够独立分析并解决GPU相关的底层技术问题；
- 熟练运用至少一种编程语言（如C/C++、Go、Python）进行技术方案实现与问题定位，具备较强的代码读写能力与技术攻关能力；
- 具备良好的系统性思维与问题分析能力，能够从硬件、驱动、虚拟化、业务等多维度拆解GPU云服务器稳定性问题，并制定可实施的解决方案。 具备以下条件者优先：
- 有公有云厂商GPU云服务器产品稳定性架构设计或核心开发经验；具备GPU相关故障排查工具（如NVIDIA-smi、NVIDIA-debugdump、Nsight等）的深度使用经验或自定义GPU监控/诊断工具开发经验；
- 具备优秀的沟通协调能力与团队协作精神，能高效推动跨部门项目进展，有较强责任心，可应对复杂业务场景下的紧急稳定性故障；有AI训练/推理场景下GPU云服务器稳定性保障经验。
