分布式系统工程师

岗位职责
1. K8s分布式系统研发：负责基于K8s的分布式系统研发，包括GPU Operator开发、容器编排与服务治理，支撑AI训练与推理任务的高效部署；
2. 分布式并行训练框架：设计并实现分布式并行训练框架，支持数据并行、模型并行、流水线并行等多种并行策略，适配大模型训练需求；
3. 动态弹性伸缩：推进系统动态弹性伸缩能力建设，实现训练任务的容错恢复、动态扩缩容与故障自愈；
4. 故障预警与节点自愈：建设系统故障预警与节点自愈机制，包括健康检查、故障自动迁移、资源自动回收，保障平台高可用；
5. 集群性能调优：参与大规模集群的性能调优与稳定性建设，优化调度延迟、资源碎片与系统开销。

岗位要求
1、本科及以上学历，计算机、软件工程相关专业；
2、熟练掌握Go/Python/C++中至少一门编程语言，具备良好的编码规范，熟悉K8s架构与核心组件（Scheduler、Controller Manager、etcd等）；
3、了解分布式系统原理，熟悉一致性协议、负载均衡、服务发现等基础技术，对底层技术有钻研精神；
4、具备较强的系统设计与问题排查能力；
5、有K8s Operator或CRD开发经验者优先，了解GPU编程（CUDA）或深度学习训练框架（PyTorch/MindSpore）者优先，有大规模集群运维或分布式系统调优经验者优先。