算力运维工程师

岗位职责
1.GPU集群日常运维。负责GPU算力集群（国产GPU）的日常巡检、监控和运维操作，保障集群稳定运行；执行集群监控告警的响应与处理，及时发现并排查硬件故障（GPU掉卡、ECC错误、温控异常等）；维护集群操作系统环境，包括驱动安装、软件栈升级、系统补丁管理等；参与集群扩容、设备上下架等物理运维工作。
2.算力调度与资源管理。操作和维护基于Kubernetes和/或Slurm的算力调度平台，执行训练与推理任务的资源分配；处理用户提交的算力需求工单，完成资源配额调整、任务排队和优先级调度；监控GPU利用率、显存占用、网络带宽等关键指标，输出资源使用周报；协助优化调度策略，提升集群整体资源利用率。
3.大模型推理与训练运维。负责大模型推理服务的部署上线、版本更新和日常运维；监控推理服务性能指标（吞吐量、延迟、首token时间等），及时发现和解决性能退化问题；支撑大模型分布式训练任务的运行环境配置，协助处理训练中断、checkpoint异常、通信故障等常见问题；维护训练任务的可观测性看板，跟踪loss曲线、梯度范数、GPU利用率等关键指标。
4.国产GPU适配支持。参与国产GPU（华为昇腾、海光DCU、阿里真武等）的部署测试和适配验证工作；协助完成国产GPU软件栈（CANN、DTK、Neuware等）的安装配置和基础功能验证；记录国产GPU适配过程中的问题和经验，形成可复用的操作手册和FAQ文档。
5.文档与知识沉淀。编写和更新运维操作手册、故障处理SOP、巡检清单等标准化文档；记录典型故障案例和解决方案，建设运维知识库；参与值班交接和团队技术分享，促进知识流转。

任职要求
1.本科及以上学历，计算机科学、电子信息、网络工程等相关专业；2年以上Linux系统运维或高性能计算相关经验，熟悉常用系统管理工具（systemd、journalctl、top/nvidia-smi等），熟悉Kubernetes基础运维操作，了解Pod、Deployment、Service等核心概念，熟练使用Shell或Python编写运维脚本。
2.有GPU相关运维经验，熟悉NVIDIA GPU驱动安装、CUDA环境配置、nvidia-smi/GPU监控；了解至少一种推理框架（vLLM、TensorRT-LLM、SGLang等）的基本使用和部署流程；了解Prometheus、Grafana等监控工具的配置和使用；了解基本的网络知识（TCP/IP、DNS、负载均衡），有RDMA/InfiniBand经验或Docker容器化部署经验者优先。
3.了解国产AI芯片的基本产品线（华为昇腾、海光DCU、阿里真武等）；有国产GPU相关学习或实操经验者优先考虑。
4.责任心强，具备良好的值班意识和故障响应能力，善于记录和总结，具有文档写作习惯，具备团队协作精神，能够与上下游团队顺畅配合，对AI基础设施技术栈有持续学习的热情。
5.具有以下工作经验者优先考虑：有百卡以上规模GPU集群运维经验。了解Slurm HPC调度系统基本操作；有智算中心、超算中心或云计算平台工作背景；熟悉分布式存储（Lustre、Ceph等）基础运维；持有CKA/CKAD、Linux RHCE等相关认证。