AI算力集群性能与可靠性工程师（运维）

【团队使命】

AGI 时代的竞争，本质上也是大规模算力系统性能与可靠性的竞争。这里不是简单地维护机器，而是在参与建设 AGI 时代的核心基础设施。团队的价值，是让巨大而复杂的 AI 超算集群成为稳定可靠的生产力，让模型的每一次训练和推理都建立在坚实可靠的算力底座之上。

【岗位类别】：实习/全职

【工作职责

1. 】负责AI超算集群中前沿加速卡、服务器、超节点等基础设施的日常运维开发工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行
2. 。负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能调优、验证工作，确保资源能够高质量高性能投入生产
3. 。负责建设和优化面向AI超算集群的监控、告警与可观测性体系，实现集群健康状态的实时感知
4. 。构建自动化运维工具链，提升故障自愈率与运维效率，降低人工干预成本

**。

【岗位要**

1. 求】本科及以上学历，计算机、电子、通信、自动化或相关专业优
2. 先。具备 Linux 服务器运维经验，熟悉集群环境下的系统管理、故障排查与性能分
3. 析。熟悉 GPU/AI 加速卡服务器、RDMA 网络等相关基础设施，有实际运维经验者优
4. 先。具备良好的脚本或自动化能力，能够使用 Shell、Python、LLM等工具提升运维效
5. 率。具备良好的沟通协作能力、责任心和现场问题推动能力，能在跨团队协同场景下高效推进问题解

**决。

【加**

1. 分项】有大规模AI超算集群（千卡以上）运维
2. 经验。有机房交付、批量上架、集群 bring-up、验收测试
3. 经验。有 GPU 服务器压测、性能基线建立、异常案例归因和优化
4. 经验。具备监控体系建设经验（如Prometheus、Grafana等），有可观测性平台落地经验者
5. 优先。在 HPC 赛事（SC / ASC / ISC / PAC）中取得优异

成绩。