MiniMaxAI Infra 平台研发工程师-故障治理

工作描述

岗位介绍
面向大模型训练与推理，集群资源调度、高性能网络，以及集群与模型的协同设计，是提升算力利用效率和整个 AI 基础设施系统稳定性的关键。
本岗位便是属于集群资源调度方向，重点建设面向 GPU 集群与裸金属基础设施的故障发现和自动化处置系统，打通故障信号、资源状态、任务执行与恢复验证的完整链路。你将负责核心控制器与故障处理工作流的设计和研发，使故障处理过程可追踪、可恢复，为资源调度和训练推理任务的稳定运行提供支撑。
我们希望你具备扎实的数据中心网络基础，理解高性能网络的通信机制与故障特征，能够结合网络拓扑、链路状态以及训练推理任务的运行特点，设计更准确的故障发现、定位与影响评估机制，并推动故障处置与资源调度协同。

1. 设计并运维硬件健康管理系统，实现异常硬件的自动检测、隔离与故障处置，提升集群 MTBI，最大限度减少因故障而无法有效利用的算力资源。
2. 负责故障发现与处理链路研发，打通集群事件、节点状态、自定义资…