岗位职责
1、负责智算平台及核心云原生基础设施的稳定性建设与运维管理，包括 Kubernetes 集群、GPU 算力节点、存储系统（Ceph、GPFS 等）及网络组件的持续运行保障；
2、设计、落地并维护 高可用、高伸缩性、自动化 的服务运维体系，确保核心平台 SLA；
3、深入参与平台的 可观测性体系建设（Prometheus、Grafana、Loki、ELK、Tracing），建立事件响应机制、容量规划与预警体系；
4、主导 K8s 资源管理与调度优化，包括 GPU/IB/NUMA 等异构资源管理策略；
5、支撑 AI/大模型业务场景的 算力编排与任务运行优化（Ray、Kubeflow、Volcano 等相关组件）；
6、推动 DevOps、GitOps、Infra-as-Code 落地，提升平台自动化与运维工程效率；
7、参与运维工具链与平台化能力建设（自研或基于 ArgoCD / Jenkins / Terraform / Ansible 等）。
任职要求
1、计算机、软件工程或相关专业本科及以上学历，5年以上 SRE / 运维 / 云平台经验；
2、深入理解 Kubernetes 架构 与控制面机制，熟悉 CRD、Controller、Scheduler 原理，有大规模集群（>100 节点）运维经验；
3、精通主流云原生技术栈：Helm、Containerd/Docker、Harbor、 CertManager、Prometheus、VictorMetrics、Grafana、Fluentd/FluentBit、Istio 等；
4、熟悉 GPU 算力平台（如 NVIDIA Operator、Device Plugin、NCCL、RDMA、IB 网络）和 AI 训练任务的资源调度优化；
5、具备优秀的 自动化运维与脚本开发能力（Python / Go / Shell 至少精通一种）；
6、有构建 CI/CD、监控报警、应急响应体系 的经验，具备较强的系统调优与故障排查能力；
7、具备良好的跨团队协作与沟通能力，能够独立主导复杂系统的可靠性改进项目。
加分项（Nice to Have）
1、有自研或二次开发 Kubernetes Controller / Operator 经验；
2、熟悉 大模型训练平台（如 Ray、DLTS、DeepSpeed、Megatron 等） 的运维体系；
3、有 云平台或智算中心 的架构设计或建设经验；
4、了解基础设施安全体系（IAM、网络安全、容器安全）。