K8s 训练平台研发工程师（训练工作负载与稳定性）

工作职责
1.训练作业编排：维护与演进各类训练作业的 Operator；把"多个异构角色、常驻服务与有终态任务共存、部分角色在另一个集群"这类新形态抽象成通用的工作负载原语（角色、生命周期、依赖、暴露、卷、放置）；
2.训练稳定性：多机作业启动失败、节点加入超时、通信 hang、掉卡、OOM 的检测与自动处置；作业级与角色级的自愈、抢占后恢复、断点续训的平台支持；
3.运行效率：作业启动时长（镜像分发与预热、懒加载）、存储读写（共享工作区、检查点读写）、跨集群网络这些基础设施层面的瓶颈定位与优化；
4.训练侧 oncall：配合 SRE 建立训练作业的告警、诊断工具与 SOP，压降重复故障；
5.业务接入：作为训练类新业务（包括强化学习项目）接入平台时的技术对接人，把业务侧的特殊需求沉淀成通用能力；

任职要求
1.本科及以上学历，两年及以上经验，精通 Go；
2.独立设计并上线过至少一个生产级 Operator（kubebuilder 或 controller-runtime），讲得清 reconcile 幂等、status 设计、finalizer、CRD 版本升级与兼容；
3.做过分布式训练作业（PyTorchJob、MPIJob、Volcano Job、RayJob 之一）的平台开发或运维，处理过多机作业 hang、rendezvous 失败这类问题，讲得出一次完整的排查过程；
4.熟悉 Kubernetes 网络与存储：Service、LoadBalancer、跨集群访问的常见方案与坑，CSI 与 RWX 存储的语义；

加分项
1.做过有状态服务与批作业的混合编排（LeaderWorkerSet、JobSet 或自研同类）；
2.熟悉 NCCL 与 RDMA 网络，能从基础设施侧定位训练性能问题；
3.做过镜像加速（P2P 分发、懒加载）或大规模检查点存储；
4.了解强化学习或大模型后训练系统的运行形态；