基础架构工程师（集群优化与运维）

负责Kubernetes集群组件研发、性能优化与可靠性建设，提升资源利用率和运行效率，工作内容约60%开发、40%生产运维。

岗位职责
1、参与设计和优化基于Kubernetes的集群调度与资源管理系统，通过相关组件的二次开发、调度策略改进和性能调优，提升资源利用率与任务执行效率。
2、解决集群运行中的复杂技术问题，包括资源碎片、任务排队、混部干扰及GPU、CPU等异构资源的分配，持续优化集群吞吐能力和任务响应时间。
3、参与集群可靠性建设，完善节点和设备的故障检测、隔离与恢复机制，提高集群在异常情况下的可用性和恢复效率。
4、承担生产集群的运维与故障排查，分析和处理操作系统、容器、网络、存储等方面的问题，通过监控告警和自动化工具提升运维效率。
5、与算法团队和基础架构团队紧密协作，深入理解AI训练任务的资源需求，推动集群优化方案的落地与持续改进。

任职要求
1、本科及以上学历，2年以上分布式系统、Kubernetes平台或集群基础架构相关开发经验。
2、技术能力

• 熟练掌握Go、Python、C++或Rust中的至少一门语言，具有良好的编码习惯和系统设计能力；具备Go开发经验者优先。
• 熟悉Kubernetes架构、核心组件及容器运行机制，具备集群调度、资源管理或节点、网络、存储等相关组件的开发与改造经验。
• 具备扎实的操作系统、数据结构和网络基础，熟悉Linux及Docker、Containerd等容器技术。
• 具备生产集群运维和故障排查经验，能够结合日志、监控指标及系统行为开展问题定位与处理。
• 具备性能优化或可靠性建设经验，能够分析资源瓶颈、设计改进方案，并验证实际效果。

3、加分项

• 调度系统开发：有Kubernetes调度器、Volcano、YuniKorn等系统的二次开发经验，或重调度、队列、抢占、Gang Scheduling、混部等机制的落地经验。
• AI集群优化：有GPU/NPU集群资源管理、异构算力调度、NCCL/RDMA排障或网络、存储性能优化经验。
• 可靠性建设：有节点故障自愈、设备故障处理、容器运行时或集群网络、存储组件的深度开发经验。
• 可观测体系：熟悉Prometheus、Grafana等监控工具，有资源利用率、任务排队时间或故障恢复指标体系的建设经验。

4、综合素质

• 自驱力与主动性：能够主动发现集群效率瓶颈与稳定性风险，推动技术优化和工程改进。
• 问题解决能力：逻辑清晰，能够深入分析系统行为，独立拆解复杂问题并推进解决。
• 严谨与责任：重视生产环境的稳定性，愿意承担必要的日常运维和故障处理工作，持续跟进问题改进。
• 协作精神：具备良好的沟通能力，能够与算法团队、基础架构团队高效协作，适应开发与运维相结合的工作方式。