崗位職責(zé)：
?資源調(diào)度中臺建設(shè)
負(fù)責(zé)維護(hù)、優(yōu)化基于JAVA Spring boot 和 Kubernetes 構(gòu)建的資源調(diào)度中臺，橫向支持大模型（如 LLM、多模態(tài)模型）訓(xùn)練任務(wù)，實現(xiàn)多租戶、異構(gòu)計算資源的高效調(diào)度與管理，提升集群資源利用率。
?混合云與 IDC 基礎(chǔ)設(shè)施管理
負(fù)責(zé)線下 IDC 與云上資源的混合云架構(gòu)設(shè)計，主導(dǎo)硬件資源（服務(wù)器、GPU、NAS）的規(guī)劃、部署與性能調(diào)優(yōu)，建立自動化運維體系，實現(xiàn)資源可觀測、可追蹤、可審計。
?DevOps 平臺與流程建設(shè)
牽頭公司 DevOps 平臺標(biāo)準(zhǔn)建設(shè)，推動 CI/CD 流水線優(yōu)化，支持多語言、多框架的持續(xù)集成與部署；制定 DevSecOps 實施規(guī)范，提升系統(tǒng)交付質(zhì)量與發(fā)布效率；負(fù)責(zé)組織安全事件復(fù)盤與責(zé)任界定，推進(jìn)故障預(yù)防與體系化治理。
?分布式存儲加速方案設(shè)計
設(shè)計或構(gòu)建基于混合云架構(gòu)的分布式存儲加速方案，解決訓(xùn)練數(shù)據(jù)跨云 / 跨 IDC 訪問的 IO 瓶頸問題，提升分布式訓(xùn)練的數(shù)據(jù)吞吐能力與整體效率。
?大規(guī)模分布式訓(xùn)練平臺開發(fā)
設(shè)計并開發(fā)支持千卡級別訓(xùn)練任務(wù)的分布式大模型平臺，構(gòu)建高效的任務(wù)編排、容錯機(jī)制與彈性伸縮能力，實現(xiàn)計算、存儲、網(wǎng)絡(luò)資源的精細(xì)化調(diào)度與可視化運維。





崗位要求：
?編程能力
全日制本科及以上學(xué)歷；精通 Java，熟悉 Python，了解 Go，具備扎實的工程實現(xiàn)能力與良好的編碼規(guī)范，能獨立承擔(dān)復(fù)雜系統(tǒng)模塊開發(fā)任務(wù)。
?云原生技術(shù)棧
精通 Kubernetes 及其生態(tài)（如 Helm、Operator、CRD），具備3年以上混合云或超大規(guī)模集群實戰(zhàn)經(jīng)驗，熟悉阿里云等云平臺的資源管理與調(diào)度優(yōu)化。
?DevOps 實踐經(jīng)驗
熟悉 CI/CD 工具鏈，掌握 IaC（基礎(chǔ)設(shè)施即代碼）工具如 Terraform、Ansible，有實際 DevOps 平臺搭建與流水線自動化經(jīng)驗；具備良好的變更管理與自動回滾策略意識。
?分布式系統(tǒng)與 AI 框架理解
了解主流 AI 訓(xùn)練框架（如 TensorFlow、PyTorch）及其分布式訓(xùn)練機(jī)制，了解 Horovod、DeepSpeed 等訓(xùn)練加速方案。
?IDC 運維與硬件支持經(jīng)驗
熟悉 IDC 機(jī)房環(huán)境、服務(wù)器與 GPU 部署流程，了解網(wǎng)絡(luò)架構(gòu)、存儲系統(tǒng)、負(fù)載均衡器等基礎(chǔ)設(shè)施的部署與監(jiān)控，具備故障排查與性能調(diào)優(yōu)能力。
?加分項
有自動駕駛行業(yè)背景或仿真平臺相關(guān)經(jīng)驗者優(yōu)先；具備 Prometheus、Grafana、ELK、Opentelemetry 等可觀測性體系建設(shè)經(jīng)驗者更佳。