高级运维工程师

一、岗位职责 1. 负责智算平台整体稳定性与SLA体系建设，覆盖算力集群、训练平台、推理与Token服务。 2. 主导分布式训练稳定性治理（如训练失败、Hang、慢卡、资源不均衡等问题）。 3. 负责推理服务与Token API的性能优化与SLO建设（P99延迟、吞吐、可用性）。 4. 设计并落地全链路可观测体系，实现链路可追踪能力。 5. 主导复杂故障排查与根因分析（RCA），推动系统性优化。 6. 推动自动化运维与自愈体系建设（自动隔离节点、自动恢复作业、弹性扩缩容）。 7. 参与成本治理，优化训练成本与单Token推理成本。 二、岗位要求 1. 本科及以上学历，5年以上SRE / 云平台 / 大规模系统运维经验。 2. 深入理解 Linux、网络、存储及分布式系统原理。 3. 熟悉 Kubernetes 及云原生体系，具备大规模集群（百节点以上）经验。 4. 熟悉监控与可观测体系设计，有落地经验。 5. 具备自动化运维能力（Python / Golang / 运维平台建设经验）。 高鹏程：高级运维工程师(T6) 一、岗位职责 1. 负责智算平台整体稳定性与SLA体系建设，覆盖算力集群、训练平台、推理与Token服务。 2. 主导分布式训练稳定性治理（如训练失败、Hang、慢卡、资源不均衡等问题）。 3. 负责推理服务与Token API的性能优化与SLO建设（P99延迟、吞吐、可用性）。 4. 设计并落地全链路可观测体系，实现链路可追踪能力。 5. 主导复杂故障排查与根因分析（RCA），推动系统性优化。 6. 推动自动化运维与自愈体系建设（自动隔离节点、自动恢复作业、弹性扩缩容）。 7. 参与成本治理，优化训练成本与单Token推理成本。 【任职要求】 二、岗位要求 1. 本科及以上学历，5年以上SRE / 云平台 / 大规模系统运维经验。 2. 深入理解 Linux、网络、存储及分布式系统原理。 3. 熟悉 Kubernetes 及云原生体系，具备大规模集群（百节点以上）经验。 4. 熟悉监控与可观测体系设计，有落地经验。 5. 具备自动化运维能力（Python / Golang / 运维平台建设经验）。