负责大模型训练与推理系统中基础设施的部署、运维及优化，保障大规模GPU集群的稳定高效运行。

核心职责

• 参与算力机房的建设和网络部署，确保机房的安全可靠性。
• 参与设计自动化运维方案，实现部署、监控、告警全链路管理。
• 参与运维规范的制定与实施，建立故障应急响应机制。
• 全流程持续跟踪网络状态，机器硬件状态，确保故障的及时修复。
• 参与新机型、新技术测试。

任职要求

• 全日制本科及以上学历，计算机及相关专业。
• 具有大规模系统运维经验，熟悉Linux/K8s/Docker等工具。
• 熟悉Python/Shell，可编写运维工具。
• 有大规模计算集群运维经验者优先。
• 熟悉RDMA相关网络技术者，且有网络调优经验者优先。