官网职位描述
团队介绍：字节跳动基础设施基础技术团队负责公司统一的基础软件，编译器&语言，DPU，大规模池化存储以及云原生计算集群，AI for Infra，Infra for AI 等相关领域，覆盖了在线存储、实时、离线、机器学习、软硬一体、AIOps 等多种应用场景，支持公司内外广泛的场景和需求。字节跳动Data基础技术团队整体负责字节跳动计算基础设施建设与维护工作；包含智算、通算场景的计算集群管理与资源调度、训练推理基础设施、DPU、系统虚拟化、Agent Infra、基础软件以及 AI for Infra 等相关技术领域。团队覆盖字节跳动在线服务、离线计算、训练推理、Agent、B 端弹性计算等业务场景，并依赖软硬一体和 AI 能力，持续为公司内外广泛业务提供稳定、高性能的基础设施服务。 1、面向云计算基础设施和大模型训练、推理等场景，理解业务需求，研究风险预防、异常检测、故障定界和根因分析等技术，提升系统稳定性与故障处置效率； 2、探索“AI for Infra”，推动LLM和Agent技术在智能运维中的应用，研究故障回放与评测、生产操作安全和成本优化，支撑OpsAgent可靠、高效地规模化落地。
职位要求
- 具有博士学位，在人工智能、计算机系统、软件工程或数据管理与挖掘领域顶级会议有第一作者论文；
- 具备扎实的机器学习、计算机系统或软件工程基础，在以下第3–5项至少一个方向有深入研究或实践经验；
- 风险预防方向：熟悉代码缺陷分析、形式化验证、基础设施变更风险识别或GPU静默数据错误（SDC）检测；
- 故障诊断方向：熟悉异常检测、故障定界、根因分析或因果推断，有分布式系统或大模型训练与推理系统的跨组件故障诊断、业务影响分析经验；
- OpsAgent可靠性与效率方向：有Agent评测、生产操作安全或成本优化研究经验，熟悉故障回放、风险拦截、模型路由或上下文压缩等技术；
- 熟练使用Python/C++/Go等至少一种编程语言，动手能力强，能够将复杂业务需求转化为可验证的技术方案，有实际落地经验。
