优粮生计划-AI管理员

专业要求：计算机科学与技术、软件工程、人工智能、电子信息工程、通信工程或相关专业

岗位职责

1.GPU集群运维：负责GPU服务器（NVIDIA A/H系列）硬件巡检、故障定位与日常运维，覆盖CUDA/驱动/NCCL全栈排障，保障集群稳定运行；

2.国产算力卡信创环境运维：负责国产算力卡（华为昇腾、寒武纪、海光 DCU等）信创环境的适配、部署与运维，完成驱动/固件/生态栈的调优，支撑国产化替代落地；

3.集群监控与调度：维护DCGM/Prometheus等监控体系，管理Slurm/K8s+GPU Operator等调度系统，优化训练资源分配与算力利用率；

4.MLOps平台建设：建设并运营模型训练/推理平台（MLflow/Kubeflow/vLLM等），搭建 CI/CD for ML流水线，打通数据管道、训练任务与推理服务全链路；

5.平台组件开发：使用Python/Go开发平台工具与K8s operator等组件，提升平台自动化与自助服务能力；

6.网络与性能优化：维护InfiniBand/RDMA高性能网络，配合分布式训练进行网络与存储性能调优，保障大规模训练效率；

7.推理部署与优化：支撑大模型推理服务部署，开展量化/推理框架（vLLM/TGI/TensorRT-LLM）等性能优化；

8.文档与协同：编写运维手册、平台使用文档与故障分析报告，与算法、研发团队协作，推动平台标准化运营。

任职资格

1.有国产算力卡/信创环境实战经验者优先；

2.熟悉NVIDIA生态（CUDA/cuDNN/NCCL），具备GPU服务器故障定位与驱动调优能力；熟悉分布式训练与InfiniBand/RDMA网络；

3.具备国产算力卡信创环境适配经验，熟悉昇腾CANN、寒武纪Neuware、海光DCU等生态栈者优先；

4.熟悉Slurm/Kubernetes+GPU Operator等调度方案，掌握DCGM/Prometheus等监控体系；

5.熟悉MLflow/Kubeflow等工具链与vLLM/TGI等推理框架；熟练使用Python/Go，有K8s operator或平台组件开发经验；

6.精通Linux系统调优，能独立处理内核/驱动/性能问题；了解模型量化与推理优化者优先；

7.具备较强的责任心与应急响应意识，能适应突发故障处理；具备良好的沟通协作与文档能力，能与算法团队高效配合；

8.持有NVIDIA DLI、CKA/CKS或云厂商相关认证者优先；

9.有大模型推理优化（量化/蒸馏/KV Cache）实战经验者优先。