米哈游AI集群运维（大模型）
任职要求
- 计算机科学与技术、软件工程、信息系统等计算机相关专业，本科及以上学历 - 4 年以上大规模 K8s 集群运维经验 - 精通 K8s 核心组件（apiserver / etcd / kubelet / scheduler / controller-manager）原理与调优方法 - 熟悉容器运行时（containerd / runc）与 Linux cgroup 机制 - 熟悉 K8s 网络方案：主流 CNI 实现（Calico / Cilium / Flannel 等）、kube-proxy、Service / Ingress / NetworkPolicy、DNS、Cilium 等核心组件原理 - 具备 K8s 集群网络排障能力：能够使用 tcpdump、conntrack、iptables、ip …
工作职责
1. 多地域AI集群的 K8s 平台搭建、调优（apiserver / etcd / scheduler / kubelet等核心组件）、版本升级、参数变更与日常巡检 2. 自研训推平台系统的部署、发布与变更 3. 集群节点上下线流程管理、与硬件运维协同处理故障节点 4. 集群故障定位与恢复：包括控制面降级、apiserver 性能异常、etcd OOM、节点批量 NotReady、慢节点、网络异常等典型场景 5. 集群与服务器安全加固（CIS 基线、kubelet 参数、network policy 落地）、堡垒机联动、运维审计 6. 故障应急 Runbook 与 SOP 文档编写，主导或参与故障复盘
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。
我们正在寻找一位熟悉数据中心建设、服务器部署与高性能网络运维的优秀工程师，加入我们致力于构建*下一代AI算力基础设施的核心团队。 你将参与企业级GPU集群的规划、部署与持续优化，支撑大语言模型（LLM）千亿级参数训练任务的稳定运行。如果你热爱“硬核”系统工程，关注物理层到网络层的极致性能，并希望在AI时代打造真正的“算力底座”，欢迎加入！ 你将负责： 1. AI数据中心规划与机房部署 参与新建或改造AI专用机房，完成服务器上架、电源配比、散热方案评估、PDU/UPS/BMC等基础设施配置，确保高密度GPU集群的可靠运行。 2. 大规模GPU集群部署与维护 主导NVIDIA A100/H100等高端GPU服务器的初始化、固件升级、驱动安装与健康监控；建立标准化部署流程（自动化装机、配置管理），提升交付效率。 3. 高性能网络架构支持（RDMA/InfiniBand/RoCE） 配合网络团队完成IB/RoCE网络部署，配置子网管理器（SM）、交换机（如 Mellanox/NVIDIA Quantum-2）、路由策略；保障低延迟、高带宽通信满足AllReduce需求。 4. NCCL通信性能调优与故障排查 协助算法团队分析分布式训练中的通信瓶颈，结合nccl-tests、ibstat、ethtool等工具进行链路诊断；优化GPU拓扑（NVLink/NVSwitch）、NUMA绑定、MTU设置等关键参数。 5. 基础设施监控与自动化运维 搭建硬件健康监控体系（温度、功耗、风扇、ECC错误等），集成Prometheus + Grafana + Alertmanager；编写脚本实现自动巡检、告警响应与故障定位。 6. 跨团队协作支持训练平台稳定运行 与开发、QA团队协同，为大模型训练提供稳定、高效的底层算力环境，快速响应宕机、链路中断、丢包等紧急问题。
1. 负责AI超算集群中前沿服务器、加速卡等基础设施的日常运维工作，包括巡检、维修、故障定位与生命周期管理，缩短平均故障恢复时间（MTTR），保障集群持续稳定运行。 2. 负责新一代计算资源的快速交付与上线，完成节点的基线检查与性能验证工作，确保资源能够高质量高性能投入生产。 3. 负责建设和优化面向AI超算集群的监控、告警与可观测性体系，实现集群健康状态的实时感知。 4. 构建自动化运维工具链，提升故障自愈率与运维效率，降低人工干预成本。
我们正在寻找资深AI集群工程师，负责构建和优化大规模GPU计算基础设施。作为AI算力平台的核心建设者，您将参与从硬件选型到调度优化的全链路工作，支撑公司核心AI业务的万卡级算力需求。 Kubernetes调度与计算平台 资源调度与集群管理 - 设计和实现GPU算力调度系统，优化资源利用率和作业调度效率 - 负责Kubernetes节点组件（kubelet、container runtime）的稳定性、性能优化 - 深度排查Kubernetes集群复杂问题 计算平台与节点优化 - 参与服务器硬件选型、测试和验收，重点优化GPU服务器性能 - 推进国产AI芯片的生态适配 - 建立集群故障感知召回体系，提高AI计算资源利用率，维护线上集群稳定性 扩展方向：性能优化（附加项） - 参与AI集群网络优化（NCCL/RoCEv2），提升分布式训练通信效率 - 深入文件系统、缓存、镜像、cri细节，优化容器启动速度