崗位職責
1、負責智算平臺及核心云原生基礎設施的穩定性建設與運維管理，包括 Kubernetes 集群、GPU 算力節點、存儲系統（Ceph、GPFS 等）及網絡組件的持續運行保障；
2、設計、落地并維護 高可用、高伸縮性、自動化 的服務運維體系，確保核心平臺 SLA；
3、深入參與平臺的 可觀測性體系建設（Prometheus、Grafana、Loki、ELK、Tracing），建立事件響應機制、容量規劃與預警體系；
4、主導 K8s 資源管理與調度優化，包括 GPU/IB/NUMA 等異構資源管理策略；
5、支撐 AI/大模型業務場景的 算力編排與任務運行優化（Ray、Kubeflow、Volcano 等相關組件）；
6、推動 DevOps、GitOps、Infra-as-Code 落地，提升平臺自動化與運維工程效率；
7、參與運維工具鏈與平臺化能力建設（自研或基于 ArgoCD / Jenkins / Terraform / Ansible 等）。
任職要求
1、計算機、軟件工程或相關專業本科及以上學歷，5年以上 SRE / 運維 / 云平臺經驗；
2、深入理解 Kubernetes 架構 與控制面機制，熟悉 CRD、Controller、Scheduler 原理，有大規模集群（>100 節點）運維經驗；
3、精通主流云原生技術棧：Helm、Containerd/Docker、Harbor、 CertManager、Prometheus、VictorMetrics、Grafana、Fluentd/FluentBit、Istio 等；
4、熟悉 GPU 算力平臺（如 NVIDIA Operator、Device Plugin、NCCL、RDMA、IB 網絡）和 AI 訓練任務的資源調度優化；
5、具備優秀的 自動化運維與腳本開發能力（Python / Go / Shell 至少精通一種）；
6、有構建 CI/CD、監控報警、應急響應體系 的經驗，具備較強的系統調優與故障排查能力；
7、具備良好的跨團隊協作與溝通能力，能夠獨立主導復雜系統的可靠性改進項目。
加分項（Nice to Have）
1、有自研或二次開發 Kubernetes Controller / Operator 經驗；
2、熟悉 大模型訓練平臺（如 Ray、DLTS、DeepSpeed、Megatron 等） 的運維體系；
3、有 云平臺或智算中心 的架構設計或建設經驗；
4、了解基礎設施安全體系（IAM、網絡安全、容器安全）。