岗位描述
团队使命 面向大模型训练与推理，集群资源调度、高性能网络，以及集群与模型的协同设计，是释放算力潜能、提升 AI 基础设施整体效率与稳定性的关键。我们致力于将复杂的底层基础设施转化为高效、可靠、易用的算力服务，让每一份算力得到更充分、更高效的利用。 岗位介绍 本岗位属于集群资源调度与资源管理方向。团队围绕 CPU、GPU、NPU 等异构算力建设资源管理与故障治理平台，连接 CMDB（配置管理数据库）、资源状态、故障流转、维修协作与自动验收，通过软件工程提升资源利用率，减少故障造成的算力损失，为训练推理任务的稳定运行提供支撑。 你将在导师指导下，根据个人基础与项目需求，参与资源管理与后端可靠性、故障治理与 Kubernetes 控制器等方向中的具体模块研发。我们希望你从真实问题出发，经历需求分析、方案设计、编码、测试与交付，逐步具备独立完成模块开发和定位问题的能力。 1. 参与 AI Infra 平台后端研发，完成资源信息建模、查询与状态管理、工单流转、操作审计或系统集成等具体功能，提升资源管理的自动化程度与易用性。 2. 参与故障事件采集、节点健康检查、故障查询及处理流程开发，帮助连接故障信号、资源状态、执行任务与恢复结果，提升故障处理效率。 3. 根据项目方向，参与 Kubernetes Controller/Operator 的功能开发与测试，学习并实践事件处理、状态同步、幂等和失败重试等机制。 4. 编写单元测试、接口测试和自动化工具，利用日志、指标与实验复现定位问题，参与改进代码质量、系统性能和运行可靠性。 5. 参与代码评审、技术文档编写和交付验证，在导师指导下完成有明确边界、可验证结果的研发任务，逐步承担模块维护工作。