The posting
1. 负责多云 AI 算力平台建设与运营,对接火山引擎、阿里云、腾讯云等公有云资源,承担云服务器、容器、存储、网络、GPU 等资源的统一纳管与日常运维,保障算力平台稳定、安全、高效运行。 2. 基于 Kubernetes 构建和运维 AI 算力集群,深入理解 K8s 调度器、控制器、资源模型、污点与容忍、CRD、容器运行时等核心机制,持续优化集群调度策略,支撑 AI 训练与推理任务稳定落地。 3. 负责 GPU 异构资源管理与调度优化,结合云厂商 AI 平台能力,如阿里云 PAI、火山引擎 AI 平台、腾讯云 AI 平台等,实现平台能力集成与自动化调度。 4. 负责多云算力成本全生命周期管理,识别 GPU / 云资源闲置、异常消费与资源浪费,落地资源缩容、混部、调度优化等降本方案,输出成本分析、资源利用率报表,支撑业务预算管控与资源规划。 5. 设计并建设多云统一可观测体系,基于 Prometheus、Grafana 等工具构建指标采集、监控大盘、告警与容量分析能力,实现跨云资源用量、集群状态、任务运行情况、业务实例的集中可视与统一管理,同时将成本指标纳入统一监控大盘。 6. 面向业务团队提供算力平台技术支持,包括资源方案评估、任务部署指导、容量规划、成本分析、权限与安全策略建议,帮助业务高效、低成本使用多云 AI 算力资源。 7. 参与多云资源管理平台、AI 训练 / 推理平台、监控告警平台的建设与迭代,沉淀自动化运维能力,通过脚本、Operator、API 集成等方式提升平台运维效率与稳定性。 8. 负责平台相关的问题排查与故障处理,包括但不限于 K8s 集群、GPU 调度、容器网络、存储、镜像、监控告警、云资源权限与配额等复杂问题的定位和修复。 9. 负责多云云账号、密钥及权限体系管理,依据最小权限原则完成权限管控与账号生命周期管理,定期开展权限安全审计,落地 SSO、MFA 等安全机制,保障云平台访问安全合规。 10. 负责主流大模型服务、API 密钥及调用额度管控,维护统一模型网关,配置限流、路由等策略,监控模型调用成本与运行状态,排查各类调用故障,支撑业务模型接入使用。
1. 本科及以上学历,计算机、云计算、人工智能或相关专业,3 年以上云原生、Kubernetes、容器平台、AI 算力平台或云成本治理相关工作经验。 2. 精通 Kubernetes 核心机制,包括调度器、资源管理、Pod/Node/Namespace、污点容忍、CRD、Controller、容器运行时等,具备生产级 K8s 集群运维与优化经验。 3. 熟悉多云平台架构,有火山引擎、阿里云、腾讯云中至少两家以上的实际使用经验,熟悉云服务器、容器服务、存储、网络、IAM、配额与限流等基础产品能力。 4. 具备 GPU 算力平台实战经验,理解 GPU 调度、资源隔离、任务混部、算力碎片治理,有 GPU binpack、GPU 虚拟化、MIG 或类似优化方案落地经验者优先。 5. 掌握 FinOps 理念与实践,具备多云账单拆分、成本归因、资源利用率分析实战经验;能够识别资源浪费,设计并落地算力降本优化方案,输出成本报表,对接财务完成账单对账。 6. 熟悉可观测性工具链,熟练使用 Prometheus、Grafana、告警管理器等,能够设计多云多集群统一监控方案,并输出资源用量、容量、成本和业务运行状态看板。 7. 熟悉 Linux 系统管理,能够编写运维自动化脚本、Operator 或云平台集成工具。 8. 了解 AI 训练、推理任务特点,熟悉 Docker、K8s,能够与研发、算法和平台团队高效协作。 9. 具备良好的问题分析能力和线上故障排查能力,能够在复杂多云环境中快速定位 K8s、GPU、监控、网络、存储和权限类问题。
加分项 - 有阿里云 PAI、火山引擎机器学习平台集成或使用经验; - 有 Volcano、Kubeflow 等 AI 调度框架实践经验; - 有多云联邦、多集群管理、CMP 资源统一纳管平台建设经验; - 熟悉 GPU 虚拟化、MIG、vGPU、GPU 共享切分技术; - 熟悉 Terraform、Ansible、ArgoCD 等 IaC/GitOps 自动化工具; - FinOps 相关加分:拥有大规模 GPU 算力成本治理、预算管控、成本分摊落地经验; - 熟悉大模型网关、Token 计量、模型调用限流、额度管控。



