岗位职责
- 负责 AI 推理基础设施及集群管理平台的架构设计与核心研发，为各类 AI 推理业务提供统一、稳定、可扩展的算力资源服务；
- 面向不同 AI 推理负载的资源需求，建设 GPU 资源管理与调度能力，支持异构资源、拓扑亲和、优先级与抢占、弹性伸缩、GPU 共享及碎片治理，提升资源利用率和推理服务交付效率；
- 建设多集群管理及集群生命周期管理能力，支持集群纳管、扩缩容、升级、容量规划、跨集群调度、故障迁移及容灾；
- 与安全、SRE、网络及存储等团队协作，完善资源配额、权限控制、租户隔离及安全审计等多租户治理能力；
- 负责平台稳定性与可观测性建设，完善监控告警、故障定位、自动恢复和应急处置机制，推动平台持续演进。
职位要求
- 本科及以上学历，计算机、软件工程、自动化等相关专业，具有 3 年以上分布式系统、云原生平台或集群管理系统研发经验；
- 熟练掌握 Go、C++、Rust、Python 等至少一种编程语言，具备扎实的系统设计和工程实现能力；
- 熟悉 Kubernetes、YARN、Mesos 等至少一种资源管理或调度系统，理解资源建模、任务调度、控制面及容错等核心机制，具备多集群管理或集群联邦相关开发经验；
- 具备 GPU 集群资源管理或调度实践，熟悉异构卡型、Gang Scheduling、GPU 共享、资源抢占、拓扑感知或碎片治理等技术；
- 具备复杂生产系统的分析和解决能力，能够在稳定性、资源效率、系统复杂度和业务需求之间做出合理取舍，并推动跨团队项目落地。
