蚂蚁金服蚂蚁集团-稳定性平台研发-技术蓝军
任职要求
1. 3 年以上工作经验，计算机或相关专业本科及以上学历，全面、扎实的软件知识结构，掌握操作系统、软件工程、设计模式、数据结构、数据库系统等专业知识； 2. 掌握扎实的计算机基础，有高并发高可用等后台开发经验优先，掌握 C/C++、Java、Golang 等开发语言、常用算法和数据结构； 3. 有良好的系统架构设计能力和创新能力，了解微服务架构/分布式系统的设计和开发、各种中间件系统、系统容灾容错设计、高可用系统等知识，能独立设计和实现后台系统…
工作职责
1. 演练平台建设与攻击能力沉淀——负责演练平台、资金分母平台等平台的建设。重点是将蓝军积累的攻击方法、故障模式、验证策略沉淀为可复用的原子能力，让每一次实战经验都转化为平台的工具资产； 2. 全维度风险挖掘与攻击场景设计——分析和识别蚂蚁产品的高可用、业务风险、资金安全、性能极限等方面的薄弱点，挖掘抽象故障场景并产出解决方案。这里不是简单的"重启服务"或"断网测试"，而是深入到业务逻辑、资金链路、数据一致性等核心领域，设计出真正能暴露系统性缺陷的攻击场景，通过演练平台工程化落地与验证； 3. 大规模红蓝对抗攻防演练的主导与演进——主导蚂蚁全局的红蓝对抗演练，推动并组织日常攻防、大型常态化攻防演练，检测红军防御水位，发现防控薄弱点并协助红军提升防御水位。探索 AI 在攻击策略自动生成、自适应对抗强度调节、智能化演练效果评估等方向的应用，推动攻防演练从"周期性人工活动"向"持续智能对抗"演进； 4. 数据驱动的防御能力迭代——与域内防御团队深度合作，构建无损对抗能力。通过对抗产生的数据，持续验证和推进资金安全、监控预警有效性、根因定位有效性、变更布防充分度等核心防御能力。用对抗数据说话，用指标变化证明价值——你的工作成果不靠 PPT 汇报，直接体现在防御水位的量化提升上。
1. 立足AI Agent研发运维视角，贯穿整个技术栈，在稳定、体验、效率和成本这四个方面持续进行优化 2. 基于AI研发领域的MaaS/PaaS/IaaS，进行模型训练与推理的算力保障，并提升资源使用率 3. 统性地提升Agent研发、部署、运行阶段的稳定性，适应Agent QPS、模型推理TPM每年提升1个量级的发展速度 4. 主导解决Agent研发运维过程中各类疑难问题，并推进完善产品与平台的能力 5. 系统性构建故障节点、慢节点检测平台化能力，响应并解决日常大模型任务的故障问题 6. 负责LLM 后训练（SFT、RLHF/RLAIF 等）相关链路稳定性治理、规范建设：理解研发与优化 LLM + RL/HRF 相关训练框架，提升扩展性、稳定性与性能（吞吐、显存占用、收敛效率等）。结合分布式训练技术（如 tensor / pipeline / data parallel），优化多机多卡训练性能和资源利用率。 7. 平台稳定性与工程质量：建设训练平台的观测与运维体系，完善监控、告警、日志与故障排查工具；持续提升平台的稳定性、可调试性和可维护性，产出高质量技术文档与设计方案。
1. 负责阿里集团大规模 Kubernetes 调度集群与 AI 资源池资源管理系统的设计、研发与运维 2. 负责 K8s Master、etcd、节点管理、弹性能力、数据体系、风控体系等核心组件的设计、研发与运维，保障管控面的高可用与可扩展 3. 负责 K8s 调度集群与节点基础环境的稳定性能力建设，构建可观测性、监控告警、异常检测与自愈恢复、研发质量等 DevOps 基础平台 4. 负责海量 GPU / XPU 服务器的稳定性和自动化运维能力建设，包括健康检测、故障自动隔离与自愈、在线率保障等，保障资源高效率、高质量交付 5. 探索 AI 驱动的智能化运维能力，结合 LLM / Agent 等技术持续提升资源管控平台的自动化、智能化与自愈水平
1. 研发针对各AI训推业务的缓存加速系统，充分利用HBM、NVMe SSD等计算集群的高速存储介质及RDMA通信带宽，提高AI训推计算效率与性能，为集团AI业务的端到端的io性能、稳定性负责。 2. 在持久化存储基础上，利用计算集群的存储介质建设统一的日志文件系统。 3. 通过对文件存储层进行完善，强化文件系统存储能力，改善存储空间和数据读写速度，推动提高计算效率与性能。
1. 研发针对各AI训推业务的缓存加速系统，充分利用HBM、NVMe SSD等计算集群的高速存储介质及RDMA通信带宽，提高AI训推计算效率与性能，为集团AI业务的端到端的io性能、稳定性负责。 2. 在持久化存储基础上，利用计算集群的存储介质建设统一的日志文件系统。 3. 通过对文件存储层进行完善，强化文件系统存储能力，改善存储空间和数据读写速度，推动提高计算效率与性能。