服务器运维工程师

负责服务器全生命周期硬件可观测、故障诊断、预测与自愈能力，保障AI 算力集群稳定运行；

梳理服务器与GPU集群资产及监控现状，建立统一采集体系与告警基线，补齐监控盲点；

针对GPU掉卡、磁盘故障等高频场景，建立诊断规则与处置流程，沉淀知识库以降低故障恢复时长；

将巡检、固件升级等重复操作平台化，实现批量执行与灰度回滚，优化单机运维成本；

基于实时数据流试点故障预测与辅助诊断，验证智能运维效果并逐步推广；

推动运维经验转化为标准规范，识别并优化高可用风险，减少严重故障发生。

具备大规模基础设施稳定性保障经验，熟悉智能化运维体系在复杂硬件环境中的落地，能通过数据和工具减少硬件故障对业务的影响；

拥有运维自动化平台研发能力，能将巡检、变更、应急处置等重复性操作转化为有权限管控和审计追踪的可批量执行能力，并持续优化单机运维成本；

具备故障根因分析能力，能在GPU掉卡、磁盘故障等复杂硬件异常中穿透表象定位底层链路缺陷，将零散日志关联为可复用的诊断规则；

具备智能运维探索能力，能基于实时数据流协同算法团队试点故障预测，结合知识库与运维智能体落地辅助诊断，用误报率和诊断耗时等指标验证效果；

以大规模算力基础设施稳定运行为己任，长期投入推动运维从人工响应走向主动预防与自动化处置，致力于为业务连续性创造持久价值；

符合京东价值观：客户为先、创新、拼搏、担当、感恩、诚信。