岗位职责
- 设计和建设面向 RL 训练的 sandbox 执行环境，支持代码运行、工具调用、浏览器自动化、文件系统操作、网络访问控制等能力。
- 基于 Docker、Kubernetes 等技术，构建可大规模调度的容器化任务运行平台，支持高并发、多租户、可观测、可恢复的训练任务执行。
- 参与大规模 RL 训练 infra 的 scaling，包括任务分发、资源调度、环境复用、状态隔离、失败恢复、日志采集和性能优化。
- 建设安全隔离机制，降低模型生成代码、Agent 工具调用和自动化执行带来的安全风险，包括权限控制、系统调用限制、网络隔离、资源限额等。
- 与模型训练、Agent 框架、数据和评测团队合作，将训练任务需求转化为稳定可用的执行环境和平台能力。
- 分析大规模训练过程中的系统瓶颈和故障问题，持续优化调度效率、资源利用率、任务吞吐和环境稳定性。
- 参与内部平台工具建设，包括任务管理、运行监控、日志查询、环境调试、指标看板和自动化运维能力。
职位要求
- 熟悉 Linux 系统、进程模型、文件系统、网络、权限控制和资源隔离机制。
- 熟悉 Docker、containerd、Kubernetes 等容器化和云原生技术，有实际生产环境使用或平台建设经验。
- 理解 sandbox / 隔离执行环境的核心问题，包括安全边界、资源限制、网络隔离、文件系统隔离、进程生命周期管理等。
- 熟悉至少一种后端或脚本语言，如 Go、Python、Rust、JavaScript / TypeScript、Shell 等，能够独立开发 infra 工具或平台服务。
- 具备分布式系统和基础设施工程意识，理解任务调度、队列、服务发现、监控告警、日志系统、故障恢复等常见机制。
- 对大模型训练、Agent 执行环境、代码运行平台或 RL 训练基础设施有兴趣，愿意深入理解训练系统对 infra 的需求。
- 具备良好的问题定位能力，能够在复杂系统中分析性能、稳定性和资源利用率问题。 加分项
- 有大规模 Kubernetes 集群、在线执行平台、CI/CD 平台、Serverless、判题系统、代码沙箱或浏览器自动化平台建设经验。
- 熟悉 Linux namespace、cgroup、seccomp、AppArmor、SELinux、Firecracker、gVisor、Kata Containers 等隔离技术。
- 有高并发任务调度、批处理系统、工作流引擎、训练平台或 MLOps 平台建设经验。
- 熟悉 GPU / CPU 混合资源调度、分布式训练、Ray、Slurm、Argo Workflows、Volcano、KubeRay 等技术。
- 熟悉可观测性体系，如 Prometheus、Grafana、OpenTelemetry、Loki、ELK 等。
- 有安全工程经验，理解不可信代码执行、权限收敛、沙箱逃逸风险和多租户隔离。
- 有大模型 Agent、代码执行环境、强化学习训练平台或模型评测平台相关经验者优先。 我们希望你具备的特质
- 对底层系统和基础设施有真实经验，能把“能跑”做成“安全、稳定、可规模化地跑”。
- 对复杂系统中的稳定性、隔离性和性能问题敏感，喜欢把问题追到底。
- 能在快速变化的训练需求中抽象出通用平台能力，而不是只做一次性脚本。
- 对大模型和 Agent 训练基础设施有兴趣，愿意参与从 0 到
- 从小规模到大规模的系统建设。
