岗位职责：
负责大规模AI集群的日常部署、监控、运维和故障排除，保障服务的可用性与稳定性
响应和处理硬件（GPU、服务器、交换机），软件（驱动、CUDA、操作系统）和网络（交换机与网卡配置）的各类故障，需要在节假日和夜间值班。
监控和分析集群性能，包括GPU利用率、网络带宽和延迟、存储IO等
建立和完善集群的SLA、监控告警体系和容灾预案，完善运维流程与规范
开发和维护自动化运维工具和脚本（使用Ansible, Python等），实现集群部署、配置管理，提升运维效率
岗位要求：
计算机科学、电子工程或相关专业本科及以上学历者优先（985/211）。
有Linux、计算机网络、操作系统原理、容器技术（Docker, Containerd）、Shell/Python基础。
工作认真负责，有良好的服务意识与团队合作意识。
有较强的问题分析与解决能力，学习能力与沟通能力强
有3年以上大规模Linux系统运维经验，有千卡以上GPU集群或HPC集群运维经验者优先
熟悉TCP/IP协议栈，有InfiniBand或RoCE等高性能网络运维经验者优先