阿里巴巴达摩院-AI 软件栈工具链测试工程师-计算技术

任职要求

必备能力
•	本科及以上，计算机/软件/电子相关；3 年+ 测试或系统验证经验。
•	熟悉 Linux（进程/权限/内核日志/网络/性能工具），具备排障能力（dmesg/journalctl/perf/strace 等）。
•	熟悉容器与 K8s：至少理解并能操作 DaemonSet/CRD/Admission/Webhook/RBAC/Node label/taint & toleration/device plugin 等机制。
•	有 GPU/异构/高性能系统测试经验（任一满足即可）：GPU 驱动/工具链、CUDA/ROCm 类生态、RDMA/NCCL 通信、算子性能/显存/带宽测试。
•	能编写自动化测试代码与工具脚本（Pytho…

工作职责

岗位描述
负责 AI/GPU 软件栈工具链的系统测试与质量保障，覆盖从 驱动/固件能力暴露 → 容器运行时接入 → K8s 编排部署 → 可观测/诊断/Profiling → 调试与运维 的端到端链路。通过搭建自动化验证体系、E2E 测试环境与稳定性/兼容性测试方案，保障工具链在 Post Silicon 与生产集群场景下可交付、可运维、可观测、可调试。

岗位职责：
1. 云原生 GPU 工具链的端到端测试与交付质量，负责 GPU Operator / ClusterPolicy 的部署、升级、回滚、配置变更与异常恢复测试，负责 K8s 场景 E2E 测试，构建并维护集群级测试基线：单机/多机、不同 OS（Ubuntu/Anolis/CentOS/RHEL 等）、不同 containerd/docker、不同 K8s 版本矩阵。
2. 容器运行时与设备接入链路测试，测试 Container Toolkit / CDI / runtime hook：驱动/库/设备节点映射正确性、容器内可用性、权限与隔离、与不同 runtime 的兼容性。测试 Device Plugin / GPU Feature Discovery：设备发现、健康检查、资源分配、配置热加载、节点标签变化触发行为、异常设备/坏卡/降级策略验证。覆盖典型 workload 验证：训练/推理/HPC demo（可用 PyTorch、CUDA sample、NCCL/RCCL 类通信样例等）作为回归基准。
3. 运维与诊断工具测试（SMI / DCGM 类 / diag / exporter），测试 SMI/诊断工具，构建测试监控链路，对齐硬件能力暴露路径，对关键字段在 FW/KMD/用户态库/工具层的贯通进行验证与回归。
4. Profiling 与调试工具测试（Profiling Tool / GDB Debugger），负责 Profiling 工具的功能/性能/稳定性测试，负责 Thrive GDB / 异构调试链路测试，与 OpenOCD/仿真器/EMU/硬件板卡协同验证；覆盖 debug 信息（DWARF）、fatbinary、runtime 传递等场景。
5. 自动化与工程体系建设，设计并落地自动化测试框架（Python/Go/Shell 均可），沉淀可复用的 E2E 测试套件，了解多版本矩阵、夜间回归、长稳 soak test、性能基线与趋势分析。