商汤大装置-集群运维开发工程师（容器方向）
任职要求
1. 本科及以上学历，计算机及信息等相关专业优先，3年以上运维开发或集群运维经验，具备大规模生产环境下的Kubernetes运维经验 2. 熟悉 shell、go 语言，具备go开发经验，能够编写高效的自动化脚本和工具 3. 对中间件有丰富的运维部署或开发经验，如PostgreSQL、Ka…
工作职责
1. 负责公司K8S集群及中间件集群的可靠、稳定、高效运行，对系统中存在的问题进行汇总与分析，提出改进意见与建议。 2. 负责SRE体系及规范的建设与落地，在保证用户使用体验和稳定性的前提下，推动运维体系朝着云原生化的方向发展，持续改进整个系统的管理和运行效率，不断提升资源利用率。 3. 关注业界前沿容器及中间件相关技术动态，探索云原生技术的发展方向，推动新技术在团队中应用落地，提升整体技术水平。
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。
你将参与公司核心云平台的研发与演进，围绕 Kubernetes 云原生体系，构建支撑 AI 训练、推理及大规模集群运行的 平台级能力。 根据个人背景与兴趣，可在 OpenAPI平台、容器平台、智算资源调度、云监控/可观测性 等方向深入发展。 工作职责 1. 参与云平台核心系统的设计与开发，支撑多集群、多环境（公有云 / 私有云 / 混合云）运行。 2. 基于 Kubernetes 体系，参与集群管理、资源调度、配置管理等平台能力建设。 3. 根据方向不同，参与以下一项或多项工作： · 大模型推理 OpenAPI 平台方向：对接不同推理引擎与推理框架，建设标准化接入平台。 · 云原生平台方向：Kubernetes 平台能力开发与优化（集群管理、CI/CD、平台工具链）。 · 智算云方向：面向 AI 训练/推理的资源调度、K8s 扩展（scheduler/controller/operator）。 · 可观测性方向：云监控与可观测性平台建设（指标、日志、Tracing 数据链路）。 4. 与系统、网络、SRE 等团队协作，持续提升平台的稳定性、可扩展性与可运维性。 5. 在实际项目中参与关键模块设计与技术方案评审，并推动方案落地。
我们是小红书中台大模型 Infra 团队，专注打造领先易用的「AI 大模型全链路基础设施」！团队深耕大模型「数-训-压-推-评」技术闭环，在大模型训练加速、模型压缩、推理优化、部署提效等方向积累了深厚的技术优势，基于 RedAccel 训练引擎、RedSlim 压缩工具、RedServing 推理部署引擎、DirectLLM 大模型 API 服务、QuickSilver 大模型生产部署平台等核心产品，持续赋能社区、商业、交易、安全、数平、研效等多个核心业务，实现 AI 技术高效落地！ 1、参与设计实现支持RLHF/DPO等对齐技术的高效训练框架，优化强化学习阶段的Rollout、Reward Model集成、多阶段训练 Pipline； 2、研发支持多机多卡 RL 的分布式训练框架，开发TP/PP/ZeRO-3与RL流程的动态协同机制，解决 RL 算法在超长时序下的显存/通信瓶刭 3、构建端到端后训练工具链，主导框架与 MLOps 平台集成，提供训练可视化、自动超参搜索等生产级能力 4、与公司各算法部门深度合作，参与大语言模型LLM、多模态大模型 MLLM等业务在 SFT/RL领域的算法探索和引擎迭代； 5、参与分析各业务 GPU 利用率与饱和度等指标，结合业务场景持续优化训练框架能力，提升框架领先性。
【业务介绍】 作为公司统一的机器学习平台团队，负责调度公司所有模型训练与推理资源；基于自建的训推引擎，构建公司统一的机器学习平台，为公司所有算法同学（稀疏 & 稠密，含 LLM） 模型迭代提供端到端的一站式服务；包括 数据生产，模型训练，模型上线，特征管理，模型测试，资源管控等一系列能力。 【岗位职责】 1、负责机器学习链路，离在线数据相关的开发工作，包括样本数据、特征数据等的数据链路搭建、任务运维和调优、性能优化等 2、负责小红书大规模机器学习平台的后台系统设计和开发工作；包括样本平台，特征平台，训练平台，推理平台等AI应用后台建设等； 3、研究分析业内AI平台产品，优化技术方案，改进产品功能，完善产品体验。