岗位职责:

1、硬件维护

负责GPU服务器的安装、调试、上架、故障诊断及维修。

定期检查硬件状态（GPU、CPU、内存、硬盘、电源等），确保设备稳定运行。

配合供应商处理硬件保修或更换（如GPU烧毁、显存故障等）。

2、集群与驱动管理

管理大规模GPU集群（万卡级），支持算力网络架构（IB/RoCE/NVLink/PCIe），优化集群性能（HPL/HPCG基准测试），解决网络通信、存储（Lustre/CephFS）及算力调度（Slurm/PBS）问题。

部署与维护监控系统（Prometheus/Grafana/Zabbix），实时跟踪GPU利用率、功耗及健康状态，构建故障预警机制，设计HA测试方案（故障注入/灾备切换）。

3、硬件与软件适配

执行服务器硬件改配（如GPU升级、液冷方案部署）及软件适配（驱动安装、BIOS/固件更新），确保与操作系统（Linux/CentOS）、虚拟化平台（Docker/Kubernetes）及AI框架（CUDA/TensorRT）的兼容性。

参与智算中心交付，配合完成服务器上架、网络配置及压力测试，支持异构加速场景（大模型训练/推理）。

4、文档与协作

编写运维手册、故障处理SOP及巡检报告，维护维修案例库，记录硬件生命周期（故障历史、配件更换）。

与研发、售前团队协作，解决复杂技术问题（如硬件兼容性、性能瓶颈），提供客户技术培训及方案定制。

探索前沿技术（如Chiplet异构集成、存算一体架构），优化运维自动化工具（Ansible/Python脚本），提升故障处理效率。

任职要求:

1、专业背景

计算机、电子工程、通信等相关专业，本科及以上学历；3年以上GPU服务器维护或数据中心运维经验，熟悉NVIDIA/AMD主流显卡架构（如Hopper/Ada Lovelace）者优先。

2、核心技能

硬件能力：精通GPU服务器拆装、故障诊断（如错误代码解析），掌握焊接工具（热风枪、示波器）及备件管理，熟悉服务器BMC管理（IPMI/RedFish）。

软件与工具：熟练使用Linux命令行，掌握自动化工具（Ansible/Kubernetes）、监控平台（Prometheus）及集群管理工具（Slurm）；熟悉Python/Shell脚本开发。

网络与架构：理解IB/RoCE网络协议、RDMA原理，掌握集群文件系统（Lustre/NFS）部署与调优，熟悉PCIe/CXL接口规范。

3、软技能

具备快速故障定位能力（MTTR优化），能在7×24小时轮值中响应紧急事件；良好的客户沟通能力，适应定制化服务需求。