超算集群SRE工程师

超算集群SRE工程师致力于构建稳定、高效、可观测的AI基础设施运维体系，为量化研究及大模型业务保驾护航。你将负责大规模算力集群的生命周期管理与稳定性治理，通过自动化运维、性能调优及可观测性建设，解决复杂的分布式系统故障，持续提升GPU/CPU集群的资源利用率与运行效率，推动运维体系的标准化与智能化。

岗位职责

集群稳定性治理：负责大规模Kubernetes集群管理，提升容器服务整体的稳定性、安全性和高可用性，保障AI业务稳定。

平台运维工程化：参与AI基础设施的自动化体系建设，包括集群生命周期管理、智能监控告警、故障自愈及可观测性体系构建，实现运维流程的标准化。

故障排查与性能优化：负责线上故障响应、根因分析和复盘，协同研发及基础设施团队排查Linux、容器、网络（如 RDMA/NCCL）及存储I/O等相关问题，持续推动平台性能与可靠性优化。

任职要求

【校招】

本科及以上学历，计算机、软件工程、人工智能等相关专业；

熟悉Linux操作系统与容器化技术，了解Kubernetes基本原理与常见组件；

熟悉Python、Golang、Shell至少一种编程语言，具备基础工程开发能力；

了解计算机网络、操作系统、分布式系统等基础知识；

对云原生、容器化技术、大规模集群或机器学习系统等任一领域有一定了解或浓厚兴趣；

具备较强的学习能力与问题分析能力，具备良好的责任心、沟通能力与团队协作能力，能够适应快速发展的AI工程化场景。

加分项

有Kubernetes、Docker、Prometheus等相关项目实践经验；

有Linux性能分析、自动化运维或故障排查经验；

参与过相关开源项目，有技术博客等可展示；

具备良好的英文技术文档阅读能力，能够跟进前沿技术动态。

【社招】

本科及以上学历，计算机、软件工程、网络工程、信息安全等相关专业；

熟悉Python、Golang、Shell等至少一种语言，具备自动化运维与工具开发能力；

熟悉Linux操作系统、容器化技术，具备系统级问题分析与性能优化能力；

具备Kubernetes大规模生产集群运维经验，能够独立负责集群稳定性治理与故障处理；

具备良好的故障应急处理能力，能够在高要求且动态的环境中管理多项任务，有较强的沟通能力、跨团队协作能力与复杂问题推动能力。

加分项

具备超大规模计算集群管理经验，尤其是在大数据和AI大模型训练场景下的经验；

熟悉RDMA、InfiniBand、RoCE、NCCL等高性能网络与通信技术；

有开源项目贡献或云原生社区参与经历优先。