算力平台研发工程师-资源管理与可靠性

岗位介绍

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，为模型能力的持续突破提供支撑。

本岗位聚焦集群资源调度与资源管理，围绕 CPU、GPU、NPU 等异构算力，建设统一的资源模型、资源池化与拓扑感知能力，提升资源供给、分配和使用效率；同时构建贯穿故障发现、处置流转、维修协作、自动验收与资源恢复的完整链路，实现资源全生命周期的自动化管理。

你将负责核心后端系统的设计研发、持续交付与可靠运行，持续优化分布式系统的性能、稳定性和易用性。我们期待你具备系统性的架构思维、资源调度中的权衡能力，以及端到端的性能分析与优化能力，能够在资源利用率、任务性能和系统可靠性之间做出合理决策，通过软件工程减少人工介入、提升故障处理效率与变更质量，让每一份算力得到更充分、更高效的利用。

岗位职责

1. 设计并运维硬件健康管理系统，实现异常硬件的自动检测、隔离与故障处置，提升集群 MTBI，最大限度减少因故障而无法有效利用的算力资源。

2. 负责故障管理平台核心后端研发，建设工单状态流转、操作审计、任务分配、通知及外部系统集成能力。

3. 设计可靠的跨系统交互机制，处理重复请求、接口超时、回调乱序和部分成功等问题，保障数据一致性及异常可恢复性。

4. 负责所辖服务的版本发布、数据库变更和回滚方案，建设自动化测试与端到端验收，提升交付质量。

5. 完善指标、日志和告警，参与生产值班与故障处置，推动问题复盘及长期修复。

6. 与资源管理、自动化运维及维修运营团队协作，明确接口契约和责任边界，持续降低人工介入成本。

1. 扎实的计算机体系结构基础

2. 本科及以上学历，计算机或相关专业，具备 3 年及以上后端或基础设施平台研发经验，优秀条件下可以酌量放宽。

3. 熟练使用 Go，能够独立完成服务设计、编码、测试及线上问题定位。

4. 熟悉 MySQL、Redis，理解事务、并发更新、幂等、状态机和数据迁移，具备实际问题处理经验。

5. 有生产服务持续维护经验，实际参与过版本发布、监控告警、事故处理和回滚，能够说明自己承担的责任及改进结果。

6. 能阅读和改进已有系统，在兼容现有接口及数据的前提下完成迭代。

7. 能推动跨团队问题闭环，并将重复性操作转化为工具、流程或系统能力。

加分项

- 有工单平台、资源管理、资产管理、订单履约等复杂状态系统研发经验。

- 有供应商接口、异步任务、消息消费及异常补偿经验。

- 熟悉 Kubernetes 环境下的服务运行、Prometheus/Grafana 或自动化发布体系。

- 有 GPU 集群、数据中心或 AI 基础设施相关经验。

- 在大型开源项目中有深度贡献，或者有优秀的个人开源项目，或是出色且资深的 HomeLab 玩家。