特斯拉AI开发运维工程师 – IT 制造支持

1、负责运维自动化平台的设计与开发，参与运维体系建设； 2、负责 AI 能力的探索与落地，包括 LLM 应用集成、RAG 知识库构建、智能运维等； 3、构建 AIOps 能力，包括智能告警、异常检测、根因分析； 4、开发 AI Agent，落地运维场景的自动化与智能化； 5、负责把日常运维操作实现为自动化工具，挖掘并发现工具需求； 6、将工作过程中的经验积累、研究成果、技术要点等以文档形式保存及传承，建立知识库体系。

负责公司 MLP 平台的 GPU 集群底座建设，主导大规模多集群环境下的稳定性、调度效率和基础设施插件能力，支撑内部模型训练和推理业务。 核心职责 1. GPU 集群稳定性建设：主导 GPU 集群高可用架构设计，制定 SLA/SLO 目标，建立容量规划、变更管控、灰度发布和稳定性度量体系。 2. 故障响应与处理：负责 P0/P1 级故障的快速定位、根因分析和事后复盘，建立可观测性、告警和应急响应机制。 3. 多集群管理：设计多集群联邦、统一接入、资源调度和灾备方案，解决跨集群业务调度、流量分发和数据一致性问题。 4. 基础设施插件开发：基于 K8s 二次开发或定制 CNI、CSI、Device Plugin、Scheduler Extender 等核心组件，适配公司 GPU 资源池和存储/网络环境。 5. 跨团队协作：与算法、业务方紧密协作，承接模型训练/推理场景的底层需求，推动平台能力落地。

方向一：系统运维开发工程师 1.负责开发、测试或生产环境中服务器和应用系统的管理与监控，确保系统的稳定运行； 2.使用夜莺、Prometheus、Grafana等工具进行实时监控和数据分析，及时发现和解决潜在问题。 方向二：容器运维开发工程师 1. 协助公司K8s集群及中间件集群的运维； 2. 协助自动化平台、工具的落地开发； 3. 参与云原生技术的调研。

团队介绍：视频与边缘部门承载了字节跳动的媒体内容分发基建及技术中台，支持了字节全系产品，如抖音、今日头条、番茄小说、西瓜视频等APP的点播、直播、实时通信、图片等多媒体业务发展，同时将业务发展过程中沉淀下来的技术能力和工具，通过火山引擎对外输出，面向各行各业用户提供视频云产品和服务，愿景是为内外部业务伙伴提供最低成本、最优画质、最低延时、最安全可靠的富媒体内容分发解决方案，助力业务伙伴降本提效实现持续增长。 1、负责字节跳动视频与边缘业务稳定性及运维平台系统设计、开发； 2、包括但不仅限于变更，监控，应急等智能运维平台的建设； 3、负责通用组件、优化工具的设计和开发； 4、参与视频与边缘稳定性、运维平台、AIOps工具产品定义，规划及建设。