ai平台开发工程师(J21721)

参与公司 AI 训推平台的架构设计与核心功能研发，保障平台的稳定性、可扩展性与易用性。

负责训练任务管理模块的设计与开发，覆盖任务提交、排队、调度、运行、监控等全生命周期。

负责平台日志体系的建设与优化，提升训练与推理任务日志的采集、存储与检索体验。

负责平台资源用量统计与计费能力的建设，保障资源配额、成本核算数据准确可靠，并基于用量数据进行分析，输出资源利用率与成本优化建议。

参与平台性能与稳定性优化，跟进线上问题排查与解决，持续提升平台服务质量。

本科及以上学历，计算机、软件工程或相关专业，3 年以上后端研发经验。

精通 Go 或 Java 至少一种语言，熟悉常用 Web 框架、ORM 与微服务开发模式，具备良好的编码规范与文档习惯。

理解 Kubernetes 原理，熟悉 Pod、调度、资源配额、Operator / CRD 等机制，有 client-go、controller-runtime 等开发经验。

熟悉集群调度与资源管理，了解 GPU 调度、队列、配额、抢占、Gang Scheduling 等概念，有 Kueue、Volcano、Kubeflow 等 AI 调度组件使用或二次开发经验者优先。

了解深度学习训练流程，熟悉 PyTorch 等主流框架，理解数据并行、模型并行、分布式训练（DDP、DeepSpeed、Megatron 等）基本原理。

了解训练与推理性能调优方法，如混合精度、显存优化、算子/通信优化、推理量化、批处理与 KV Cache 等，有 vLLM、TensorRT-LLM 等推理框架经验者优先。

熟悉 MySQL、Redis、消息队列、配置中心、Prometheus 等常用中间件，具备定时任务、状态机、幂等与补偿等分布式系统设计经验。

具备一定的数据分析能力，熟悉 Python 及 pandas、NumPy 等数据处理工具，能够基于资源用量、任务运行、日志等数据进行统计分析、指标建设与可视化，为计费核算、资源利用率优化和平台运营提供数据支撑。

熟悉日志采集与存储体系（如 Fluent Bit、Loki、ELK），有大规模日志链路建设经验者优先。

熟悉云资源计费、成本分摊或 FinOps 相关实践，有 OpenCost 等工具使用经验者优先。

熟悉 Docker、CI/CD 与多环境发布流程，具备较强的问题定位能力、责任心与团队协作能力。