岗位职责
- 负责飞书AI类业务稳定性保障，包括飞书相关业务在大规模GPU集群上的稳定可靠运行，建立完善的AI类业务SLI/SLO体系，保障大模型开发、训练、部署各环节的高可用性，将业务中断风险降至最低，MTTR保持行业领先水平；
- 负责飞书GPU资源成本管理与优化，包括GPU资源的全生命周期管理，探索各种技术手段提升GPU资源利用率，优化单位有效TFLOPS成本，推动算力成本压降，实现“业务需求、稳定性与成本”的平衡；
- 设计、开发SRE相关平台和AI能力，包括稳定性架构治理、监控报警、预案与演练、定位与止损、资源与成本等相关方向；
- 跨团队协同与技术落地，与算法、模型、深度协作，理解业务需求，从稳定性与成本角度给出专业意见，推动技术方案落地；与基础设施团队深度合作，跟进领域前沿技术，探索在稳定性、成本方向的技术创新及业务价值落地。
职位要求
- 本科及以上学历，计算机、软件工程、电子信息等相关专业，2年及以上GPU相关SRE或运维开发经验，主导过AI类业务或GPU集群的稳定性治理或成本优化项目；
- 熟悉常见GPU硬件架构，熟悉GPU集群部署、调试与性能优化，有GPU集群运维经验；
- 熟悉AI模型训练/推理流程，了解TensorFlow/PyTorch等框架，能从系统层面优化模型算力占用与执行效率；
- 熟练掌握至少一种编程语言（Python/Go/Shell）及Vibe coding工具、技巧，能独立开发运维自动化工具或平台组件；
- 有丰富的生产环境故障排查和性能调优经验，能够快速定位和解决问题；
- 具备强烈的责任心与问题驱动意识，具备优秀的沟通和协作能力。
