校招-训推平台开发工程师(J18093)

职位描述 参与公司AI计算平台后端研发与演进，按方向覆盖以下系统线：

1. 01

   推理服务平台：负责在线推理服务的发布/灰度/扩缩容、健康检查、故障自愈与版本回滚；参与推理引擎（vLLM/SGLang/TensorRT-LLM等）集成适配与模型量化部署（FP8/INT8/W8A8），支撑多机器分布式在线推理；基于Kubernetes设计服务编排与弹性调度，提升GPU/NPU利用率与服务SLA。

2. 02

   资源与任务调度：负责多租户队列、配额与优先级、拓扑/亲和、弹性策略与成本治理；设计训推混部调度策略，统筹训练与推理任务资源分配；基于Kubernetes开发调度控制器（CRD/Operator），落地批调度（Kueue/Volcano），支持千卡级训练排队与gang调度。

3. 03

   平台基础能力：负责统一API网关、权限控制（RBAC）、配额管理与审计日志等底座；建设集群可观测与告警体系（Prometheus/Grafana/Loki/OpenTelemetry）；参与训练数据存储与分发系统（数据集版本、冷热分层与缓存、分片并行读取、对象存储/NAS/PFS接入）；参与故障自愈、SLO保障与应急响应。

4. 04

   设计并实现平台统一API、权限与审计，沉淀"训练/推理/数据"稳定契约，降低算法团队接入成本，提升算法交付与迭代效率；与算法/框架团队协作，支撑千卡级稳定训练与多机器分布式在线推理。

1. 01

   本科及以上，计算机/软件/电子/自动化/人工智能等相关专业；

2. 02

   熟练掌握Go或Python至少一门语言（同时具备两者经验最佳），具备扎实的编程基础与项目落地经验；

3. 03

   熟悉Linux与Docker，了解Kubernetes服务编排、调度器/控制器机制与基本运维；

4. 04

   了解大模型训练/推理流程，对推理服务化、模型量化、分布式训练通信有基本认知；

5. 05

   具备并行计算、网络与存储的基本工程认知，了解测试/CI/CD/回滚等工程化实践；

6. 06

   加分项（任选其一即可）：

7. 01

   推理引擎（vLLM/SGLang/TensorRT-LLM等）使用或适配；

8. 02

   k8s control plane/controller开发（CRD/Operator二开）或批调度（Kueue/Volcano/gang调度）；

9. 03

   训推混部/弹性调度/GPU拓扑感知与成本治理；

10. 04

    可观测体系（Prometheus/Grafana/Loki/OpenTelemetry等）或对象存储/NAS/PFS与缓存预热；

11. 05

    API网关/RBAC/审计；

12. 06

    GPU作业排障（NCCL/FSDP/网络拓扑）；

13. 07

    对AI Infra与云原生有热情，沟通协作能力好，自驱力强。