云与算力平台工程师

岗位定位：

负责公司云平台和算力基础设施的建设与运营，范围包括传统数据中心、私有云和虚拟化资源池，以及 GPU 智算集群和 AI 应用支撑环境。

岗位职责：

负责 GPU 资源调度和分配，负责平台的成本治理和资源利用率监控，针对算力与存储等关键资源建设成本工程能力；

负责 GPU 集群的基础运维工作，参与分析解决线上问题，保障 GPU 集群训练和推理任务的长稳运行与系统稳定性；

对云上与云下（Kubernetes/裸机 GPU 等）资源做统一资产统计与持续纳管，沉淀资源台账与统一看板；

负责解决用户线上 GPU 资源环境问题；

编写并维护云平台运维文档，包括操作手册、故障安全库等。

岗位要求：

具备良好的 Python/Go/Shell 编程基础，能编写自动化运维脚本及运维提效小工具；

具备 GPU 集群以及相关环境的运维部署经验；

熟悉 Docker 容器，熟悉微服务的配置部署与监控，熟悉容器编排理念，掌握 Kubernetes 的集群管理和问题排查，并拥有生产环境使用经验；

熟悉 GPU 集群，包括但不限于 GPU 服务器初始化、驱动安装、CUDA 环境配置、资源利用率等基础运维能力；

熟悉大语言模型，了解模型推理的常用框架使用与排查；

具备良好的沟通协调、学习和问题分析能力，能适应 7×24 运维工作，责任心强，抗压能力好；

了解 GPU 服务器，具备基础的带内/带外服务器运维能力。

加分项：

熟悉常用堡垒机使用，权限管理分配，运维等经验；

能独立定位和解决平台问题，有较强的自驱力，不需他人逐步指导；

对负责的系统有责任心，故障和问题跟进到底，整改措施落实后再关闭；

多任务并行时能分清轻重缓急，关键事项主动反馈进展；

有项目意识，能按计划推进工作，风险及时暴露和同步。