The posting
岗位介绍 面向大模型训练与推理,集群资源调度、高性能网络,以及集群与模型的协同设计,是释放算力潜能、提升 AI 基础设施整体效率与稳定性的关键。我们致力于将复杂的底层基础设施转化为高效、可靠、易用的算力服务,为模型能力的持续突破提供支撑。 本岗位聚焦集群资源调度与资源管理,围绕 CPU、GPU、NPU 等异构算力,建设统一的资源模型、资源池化与拓扑感知能力,提升资源供给、分配和使用效率;同时构建贯穿故障发现、处置流转、维修协作、自动验收与资源恢复的完整链路,实现资源全生命周期的自动化管理。 你将负责核心后端系统的设计研发、持续交付与可靠运行,持续优化分布式系统的性能、稳定性和易用性。我们期待你具备系统性的架构思维、资源调度中的权衡能力,以及端到端的性能分析与优化能力,能够在资源利用率、任务性能和系统可靠性之间做出合理决策,通过软件工程减少人工介入、提升故障处理效率与变更质量,让每一份算力得到更充分、更高效的利用。 岗位职责 1. 设计并运维硬件健康管理系统,实现异常硬件的自动检测、隔离与故障处置,提升集群 MTBI,最大限度减少因故障而无法有效利用的算力资源。 2. 负责故障管理平台核心后端研发,建设工单状态流转、操作审计、任务分配、通知及外部系统集成能力。 3. 设计可靠的跨系统交互机制,处理重复请求、接口超时、回调乱序和部分成功等问题,保障数据一致性及异常可恢复性。 4. 负责所辖服务的版本发布、数据库变更和回滚方案,建设自动化测试与端到端验收,提升交付质量。 5. 完善指标、日志和告警,参与生产值班与故障处置,推动问题复盘及长期修复。 6. 与资源管理、自动化运维及维修运营团队协作,明确接口契约和责任边界,持续降低人工介入成本。
1. 扎实的计算机体系结构基础 2. 本科及以上学历,计算机或相关专业,具备 3 年及以上后端或基础设施平台研发经验,优秀条件下可以酌量放宽。 3. 熟练使用 Go,能够独立完成服务设计、编码、测试及线上问题定位。 4. 熟悉 MySQL、Redis,理解事务、并发更新、幂等、状态机和数据迁移,具备实际问题处理经验。 5. 有生产服务持续维护经验,实际参与过版本发布、监控告警、事故处理和回滚,能够说明自己承担的责任及改进结果。 6. 能阅读和改进已有系统,在兼容现有接口及数据的前提下完成迭代。 7. 能推动跨团队问题闭环,并将重复性操作转化为工具、流程或系统能力。 加分项 - 有工单平台、资源管理、资产管理、订单履约等复杂状态系统研发经验。 - 有供应商接口、异步任务、消息消费及异常补偿经验。 - 熟悉 Kubernetes 环境下的服务运行、Prometheus/Grafana 或自动化发布体系。 - 有 GPU 集群、数据中心或 AI 基础设施相关经验。 - 在大型开源项目中有深度贡献,或者有优秀的个人开源项目,或是出色且资深的 HomeLab 玩家。



