系统运维工程师（AI算力方向） 026

1. 系统与服务器：负责Linux/Windows Server及物理服务器的日常运维、安全加固与容量管理。

2. 数据库与中间件：维护MySQL/PG/Oracle/SQL Server及Redis、Kafka、Nginx等中间件集群，保障高可用与备份恢复。

3. 云原生与虚拟化：管理KVM虚拟化集群，负责K8s/Docker容器集群的部署、排障与弹性策略，熟悉GPU设备插件与GPU Operator。

4. 算力基础运维：负责GPU服务器集群全生命周期运维，包括NVIDIA GPU驱动、CUDA、cuDNN、NCCL、RDMA/InfiniBand网络的部署与调优；使用DCGM等工具监控GPU利用率、显存、温度、功耗，快速定位GPU硬件、网络及软件环境故障。

5. 大模型部署与推理优化：负责大模型（LLM）私有化部署与推理环境维护，掌握vLLM、sglang、TGI、TensorRT-LLM等推理引擎，实施量化（AWQ/GPTQ）、连续批处理等优化，封装OpenAI兼容API，保障推理服务SLA。

6. 算力调度与资源管理：负责Slurm、Volcano、Kueue等调度系统的配置与运维，实施资源配额、优先级抢占、弹性训练、Gang Scheduling等策略；利用MIG/MPS实现GPU隔离与混部，提升集群整体利用率。

7. 化与CICD：熟练编写Shell/Python脚本实现自动化运维，维护Jenkins/GitLab CI流水线。

8. 监控与应急：维护Zabbix、Prometheus+Grafana监控体系，落实备份容灾策略，快速响应并闭环生产故障。

1. 学历经验：本科，计算机相关专业，3年以上生产级运维经验（制造业背景优先），有AI算力平台运维经验者优先。

2. 硬核技术：

- 精通Linux系统及常用诊断工具，熟悉Windows管理；

- 精通至少2种关系型数据库的高可用架构（复制/集群）；

- 具备K8s生产环境独立运维经验，熟悉容器网络、存储及GPU设备插件（Device Plugin）、GPU Operator；

- Shell脚本能力必须扎实，熟悉Python/Go更佳；

- 熟悉CICD流水线配置及Prometheus监控体系。

3. AI算力专项要求（重点）：

-算力基础运维：熟悉NVIDIA GPU硬件架构，掌握CUDA、NCCL、RDMA/InfiniBand、NVLink等部署与调优；熟练使用DCGM、nvidia-smi等工具进行GPU监控与故障排查（如XID报错、NCCL超时）。

-大模型部署：熟悉vLLM、TGI、TensorRT-LLM等推理引擎，掌握模型量化（AWQ/GPTQ/bitsandbytes）、PagedAttention、Continuous Batching等技术；有OpenAI兼容API服务化及SLA保障经验。

- 算力调度：熟悉Slurm、Volcano、Kueue等至少一种调度系统，理解资源配额、优先级抢占、弹性训练、Gang Scheduling；了解MIG、MPS等GPU隔离与混部技术。

4. 加分项：

- 有千卡规模GPU集群运维经验；

- 有AICoding成果用于实际生产解决问题；

- 善于利用AI辅助编程工具提效；

- 有NVIDIA认证、CKA/CKS证书；

- 有开源社区贡献（vLLM、Volcano、DCGM等）。

5. 软素质：适应紧急故障On-Call，逻辑清晰，严谨细心，具备较好的沟通及文档沉淀能力。