智能互联基础设施与稳定性工程-高级基础平台研发专家-文件系统存储方向

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。

建设面向阿里集团各类 AI Agent 提供 MCP、Skills、Rules 以及 API 等开放能力生态的 AI 开放平台 1. 负责 AI 开放平台核心模块的设计、开发与维护，包括 MCP /Skills/API 服务开放、托管、性能优化以及相关研发链路和流程的建设 2. 参与打造高质量 AI 能力开放市场，负责各类开放能力质量扫描和智能筛选等能力的建设，提升在 AI Agent 中消费大量开放能力的效率 3. 参与开放平台系统架构优化，提升平台稳定性、安全性和可观测性，提升开放平台服务可靠性 4. 负责面向集团内部开发者和用户对于 AI 开放平台的需求对接、任务拆解以及落地实施。

1、稳定性保障与体系建设：负责大模型服务平台及人工智能产品的稳定性保障工作，通过指标建设、预案设计、容量规划、监控完善、建立SOP等手段提升业务可用性与可靠性。 2、高并发流量治理：主导大规模分布式系统及高并发场景下的流量治理方案设计与实施，包括弹性扩缩容以及熔断、限流、降级等容灾策略，确保业务连续性与鲁棒性。 3、新环境部署：在新环境上进行一整套推理系统及其上下游依赖的部署和运维，负责日常模型的上架、性能监测、中间件和底层基建性能监测等。 4、Oncall与应急响应：参与OnCall值班，快速定位并解决生产环境故障，主导重大事件应急响应与复盘；建立故障快速恢复机制，推动根因分析及长效改进措施落地。 5、运维自动化：优化现有部署、监控及维护流程，推动运维自动化与平台化建设，提升研发效率与系统可观测性。负责监控/日志/网络/存储等原生基础设施的保障和工具开发。

1、稳定性保障与体系建设：负责大模型服务平台及人工智能产品的稳定性保障工作，通过指标建设、预案设计、容量规划、监控完善、建立SOP等手段提升业务可用性与可靠性。 2、高并发流量治理：主导大规模分布式系统及高并发场景下的流量治理方案设计与实施，包括弹性扩缩容以及熔断、限流、降级等容灾策略，确保业务连续性与鲁棒性。 3、新环境部署：在新环境上进行一整套推理系统及其上下游依赖的部署和运维，负责日常模型的上架、性能监测、中间件和底层基建性能监测等。 4、Oncall与应急响应：参与OnCall值班，快速定位并解决生产环境故障，主导重大事件应急响应与复盘；建立故障快速恢复机制，推动根因分析及长效改进措施落地。 5、运维自动化：优化现有部署、监控及维护流程，推动运维自动化与平台化建设，提升研发效率与系统可观测性。负责监控/日志/网络/存储等原生基础设施的保障和工具开发。