阿里巴巴面向AI训练/推理全生命周期的稳定性增强与AI驱动运维-阿里星
任职要求
1、计算机、网络、人工智能等相关专业硕士及以上学历（能力突出者可放宽至本科）； 2、熟练掌握Python/Go，具备Linux系统、TCP/IP/RDMA网络基础； 3、了解机器学习基础（时序分析、图算法等），有PyTorch/TensorFlow实践经验； 4、逻辑清晰，具备分布式系统问题拆解能力与技术好奇心。 加分项： 1、有e…
工作职责
1、参与智算数据中心网络稳定性平台研发，聚焦AI预训练/推理场景的故障监控、根因分析与自愈系统开发； 2、设计并实现AI-based troubleshooting模块（如异常检测、配置验证、故障预测），提升运维智能化水平； 3、构建训练任务全链路追踪能力，优化网络指标与模型训练效率的关联分析模型； 4、协同基础设施团队验证网络架构改进方案，推动AIOps技术在超大规模集群落地。
1.大模型推理与调度平台建设：主导多模态/LLM 推理服务化与模型调度中台建设，支持多模型共存、降级容错与弹性扩缩容，保障高并发低时延的线上推理体验； 2.推理加速与资源效率优化：推进推理加速与 GPU 资源复用等优化策略落地，提升模型利用率并降低单位推理成本； 3.模型成本治理体系：建设模型资源可视化与治理闭环，推动降本动作落地并形成可持续的成本优化机制； 4.服务端基础架构演进与全球化支撑：负责全球多 Region 架构规划与服务端架构演进，建设统一网关与用户服务体系，支撑业务快速迭代； 5.SRE 稳定性与可观测性建设：构建全链路监控与自动化运维能力，完善异常响应、容量管理与弹性扩容机制，提升平台可用性； 6.架构融合与平台化治理：推动团队多款 AI 产品服务端架构融合与服务复用，减少重复投入并沉淀统一能力。
Qteam 是阿里云旗下的 AI 编码产品团队，正在打造涵盖 AI IDE、AI 编码插件、AI Coding CLI 在内的下一代智能开发工具矩阵。我们相信 AI 将从根本上重塑开发者的编程方式——从代码补全到自主编程 Agent，从单点辅助到全流程智能化。在快速演进的产品矩阵背后，多平台交付复杂度、AI 功能非确定性质量验证、AI 安全攻击面防护、推理成本管理等工程化挑战亟待突破。我们的目标是构建一套 AI 原生的智能研发交付体系——让 AI 来保障 AI 产品的交付质量、安全与效率。你将能够参与： 1.智能构建编排： 基于 LLM 构建智能 DevOps Agent，实现自然语言驱动的多平台流水线生成、构建失败自动根因分析与修复建议，将配置驱动的 CI/CD 升级为意图驱动的智能编排； 2.AI 功能持续验证： 构建 ML 驱动的持续验证引擎，自动学习 AI 功能行为基线，实时检测异常偏移，支持智能灰度分析与自动回滚； 3.安全编排与韧性工程： 将 AI 安全扫描左移至流水线，构建混沌工程韧性测试框架与 SLI/SLO 驱动的服务可靠性管理； 4.成本管理与效能洞察： 构建 AI 推理成本细粒度归因与工程效能智能分析平台，自动识别瓶颈并生成优化建议。
负责面向安全业务场景的大模型能力建设，包括但不限于以下方向： 1. AI for security，利用AI技术增强网络安全、数据保护和等领域的防御能力。在自动化威胁检测、分析和响应、DevSecOps等场景提升效率和攻防对抗能力。 2. Security for AI，保护AI应用系统安全，保护其免受攻击和滥用。
1、为EBS的稳定、性能、成本技术演进和架构设计和技术创新落地，构建稳定可靠，性能优越，具有成本优势的先进分布式块存储系统； 2、AI 对存储吞吐有非常高的要求，本岗位需要面向AI场景将存储带宽做到物理极限，同时大幅降低成本； 3、OLTP 客户对EBS的延迟和长尾要求非常高，在高吞吐的背景下，需要通过流量整形，优先级调度，微观时间片上的均匀化等技术来有效控制系统的延迟。