1. 负责 AI 基础设施（GPU/NPU 等异构硬件）的部署、运维与性能优化，制定硬件资源管理规范，保障大规模 AI 集群稳定运行；
2. 主导 Kubernetes 集群在 AI 场景的搭建、升级与日常运维，优化集群调度策略，适配 GPU/NPU 等异构计算资源的高效利用；
3. 基于 Golang 开发自动化运维工具、集群管理组件或自定义控制器（Operator），实现硬件资源监控、集群状态巡检、故障自愈等功能；
4. 设计并落地容器化部署方案，优化 AI 模型训练 / 推理任务的容器调度策略，解决 GPU 显存隔离、算力分配、异构资源亲和性等问题；

5. 构建硬件资源监控与告警体系，整合 Prometheus、Grafana 等工具，实现 GPU/NPU 利用率、温度、功耗等指标的实时监控与异常告警；

6. 与算法团队协作，解决模型训练过程中的硬件资源瓶颈，提供 GPU/NPU 性能调优建议，提升算力资源利用率；
7. 参与制定 DevOps 流程规范，推动 CI/CD 流水线在 AI 模型部署场景的落地，实现模型训练、推理服务的自动化发布；
8. 跟踪异构计算、云原生领域技术动态，引入新技术（如 GPU 虚拟化、NPU 容器化调度）提升基础设施效率。

任职要求

1. 计算机相关专业本科及以上学历，5 年以上 DevOps 工程师经验，至少 1 年以上大规模 GPU/NPU 集群运维经验；
2. 精通 NVIDIA GPU（A100/H100 等）、华为昇腾（Ascend 910/310）、寒武纪等异构硬件的特性与管理方式，熟悉硬件驱动、固件升级及故障排查；
3. 深入理解 Kubernetes 核心原理，精通集群部署、资源调度、网络插件（Calico/Flannel）、存储卷管理，有自定义调度器或 Operator 开发经验者优先
4. 具备扎实的 Golang 开发能力，能独立开发运维工具、API 服务或 K8s 周边组件，熟悉 Go Modules、goroutine 等特性；
5. 熟悉容器化技术（Docker）及云原生生态工具（Helm、Istio、Prometheus 等），有 AI 平台（如 Kubeflow、Volcano）部署经验者优先；
6. 了解 GPU 虚拟化技术（vGPU/MIG）、RDMA 网络配置，具备 AI 训练任务性能调优实战经验；
7. 具备良好的问题分析能力，能快速定位并解决 K8s 集群故障、硬件资源冲突等复杂问题；
8. 有 AI 模型训推平台、高性能计算集群运维经验者优先，具备良好的跨团队沟通与协作能力。