锦鲤求职岗位描述
岗位职责
参与投研计算平台及集群基础设施的架构设计与研发，建设任务控制面、资源管控、权限、配额、队列和多集群接入等核心能力。
基于 Go 和 Kubernetes 开发或维护 CRD、Controller、Operator、Webhook、调度扩展及相关平台服务，保证状态流转、幂等、失败恢复和可观测性。
建设 GPU/CPU 资源管理能力，包括资源建模、队列、优先级、抢占、空闲资源借用、拓扑约束、碎片治理和容量规划。
负责集群稳定性建设，围绕 Kubernetes 组件、节点、GPU、容器运行时、驱动、网络和存储依赖，完善监控、告警、故障定位、隔离与自动恢复机制。
建设日志、指标、事件和追踪体系，推动 SLI/SLO、变更治理、故障复盘及重复问题的平台化治理。
支撑交互式开发、Python 任务、回测任务、单机/分布式训练及 GPU 作业等不同执行形态，沉淀运行模板和平台最佳实践。
与研究、机器学习平台、存储、网络和安全团队协作，推动跨模块问题闭环及基础设施持续演进。
任职要求
双一流本科及以上学历，计算机科学、软件工程、数学等相关专业。
精通 Go，具备扎实的数据结构、算法、并发编程和工程设计能力，能够独立负责生产级模块的设计、开发、测试和交付。
深入理解 Linux、容器及 Kubernetes 核心机制，熟悉 Docker/containerd、Pod 生命周期、调度、资源隔离、网络和存储等基础能力。
以下两类经验至少一类具备明确深度，并愿意向另一类扩展：
**平台开发方向：**有 CRD/Controller/Operator、Kubernetes 调度、资源管理、多集群或云平台控制面开发经验；
**集群稳定性方向：**有生产 Kubernetes 集群运维、故障诊断、监控告警、容量治理或自动化恢复经验。
熟悉分布式系统基本原理，能够处理状态一致性、幂等、并发、重试、超时和故障恢复等工程问题。
熟悉 MySQL、Redis 或同类存储组件，能够根据平台元数据、状态和一致性要求完成合理的数据模型与存储设计；不要求特定使用 MongoDB。
具备优秀的问题定位、逻辑拆解和跨团队沟通能力，能够基于日志、指标和现场证据推动问题闭环。
加分项
有大规模 GPU/异构计算集群建设或生产运维经验，熟悉 NVIDIA Driver、Container Toolkit、Device Plugin、GPU Operator、DCGM 等组件。
熟悉 Kueue、Volcano、Kubernetes Scheduler Framework、Slurm 等队列或调度系统，并有二次开发经验。
有多集群、多租户、资源配额、抢占、拓扑感知调度或 GPU 共享/切分实践。
熟悉 CNI/CSI、共享文件系统、对象存储、RDMA/InfiniBand/RoCE，或处理过相关生产故障。
有 Prometheus、Grafana、OpenTelemetry、日志平台或自动化故障诊断系统建设经验。
熟悉机器学习训练或量化计算工作负载，能够理解 PyTorch 分布式训练、NCCL、Checkpoint 和数据访问对集群的要求。