MiniMaxAI 可观测系统研发工程师

工作描述

一、一句话定位
面向大模型训练、大模型推理与 Agent 运行时建设新一代可观测平台，连接硬件、网络、存储、模型框架、推理引擎和 Agent 执行轨迹，让复杂 AI 系统的异常看得见、定得准、恢复快、价值可衡量。

二、为什么这个岗位重要
大模型系统的问题往往横跨 GPU、网络、存储、容器、框架、推理引擎、模型行为和外部工具。我们希望建设统一的数据与诊断能力，回答三类核心问题：
训练为什么中断、变慢或损失有效算力；
推理为什么首 Token 变慢、吞吐下降、成本升高或质量退化；
Agent 为什么任务失败、循环调用、链路异常或 Token 消耗失控。

三、你将负责什么
1. 建设统一的 AI 可观测平台
建设指标、日志、Trace、事件的采集、处理、存储、查询与可视化能力；
建立作业、请求、Agent 任务与节点、GPU、Pod、进程、Rank、模型、版本之间的关联；
治理高基数、高频事件和大规模时序数据，探索异常检测、告警降噪与根因分析能力。

2. 支撑大模型训练可观测
建设覆盖基础设施、通信与运行时、训练框架、模型与数据的分层观测体系；
关联 job → pod/pro…