软件系统运维工程师

1、负责 GPU 算力集群调度系统及相关软件系统的生产部署和日常运维，包括软件包安装、版本管理、灰度发布和升级，保障系统稳定运行；

2、负责线上问题排查处理，快速定位故障原因，配合研发跟进修复，并组织或参与故障复盘，沉淀处理经验，完善操作手册和应急预案；

3、优化和维护监控告警体系，覆盖集群状态、作业运行、资源使用、服务健康等指标；开发运维工具和脚本，推进部署、配置和巡检自动化；

4、和硬件运维团队配合，处理调度过程中涉及节点、网络、存储、GPU 设备等相关问题，保障集群整体可用；

5、根据业务需要，支持其他软件系统的部署、运维、监控和问题排查工作。

1、计算机、软件工程等相关专业，操作系统、数据库、网络等基础扎实；

2、3年以上大型服务器集群、数据中心或云平台运维一线经验、5年以上相关经验可放宽至本科；

3、熟练使用 Go/Python/Shell 至少一种，熟悉 Linux 日常操作和常见问题排查；

4、熟悉 Kubernetes 等主流云原生体系与容器化技术，具备中大规模集群部署和运维经验；

5、熟悉 Prometheus、Grafana、ELK 等监控日志工具，具备基础运维工具开发能力；

6、对分布式训练、推理场景有一定认识，有相关 SRE/DevOps 经验优先，了解 Volcano、Kueue 等调度组件优先；

7、责任心强，具备线上服务意识，能够及时响应生产问题，沟通能力好，能和研发、硬件运维等团队顺畅配合。