知乎GPU 集群运维工程师
社招全职3年以上地点：北京状态：招聘♡ 收藏
工作描述
岗位职责 1. 软件栈运维：负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。 2. 上线验收：可独立完成单机及多机性能基线验证，在节点交付租户前完成准入检测。 3. 监控告警：可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。 4. 故障处理：远程定位 GPU、网络、存储等软硬件故障，完成节点隔离、换件工单发起与跟进，与 IDC 及…
登录查看完整工作描述
微信扫码，1秒登录
包括英文材料
CUDA+
https://developer.nvidia.com/blog/even-easier-introduction-cuda/
This post is a super simple introduction to CUDA, the popular parallel computing platform and programming model from NVIDIA.
https://www.youtube.com/watch?v=86FAWCzIe_4
Lean how to program with Nvidia CUDA and leverage GPUs for high-performance computing and deep learning.
NCCL+
https://developer.nvidia.com/nccl
The NVIDIA Collective Communication Library (NCCL) implements multi-GPU and multi-node communication primitives optimized for NVIDIA GPUs and networking.
Prometheus+
https://grafana.com/docs/grafana/latest/getting-started/get-started-grafana-prometheus/
Prometheus is an open source monitoring system for which Grafana provides out-of-the-box support.
https://prometheus.io/docs/tutorials/getting_started/
Prometheus is a system monitoring and alerting system.
Grafana+
Kubernetes+
https://kubernetes.io/docs/tutorials/kubernetes-basics/
This tutorial provides a walkthrough of the basics of the Kubernetes cluster orchestration system.
https://kubernetes.io/zh-cn/docs/tutorials/kubernetes-basics/
本教程介绍 Kubernetes 集群编排系统的基础知识。每个模块包含关于 Kubernetes 主要特性和概念的一些背景信息，还包括一个在线教程供你学习。
https://www.youtube.com/watch?v=s_o8dwzRlu4
Hands-On Kubernetes Tutorial | Learn Kubernetes in 1 Hour - Kubernetes Course for Beginners
https://www.youtube.com/watch?v=X48VuDVv0do
Full Kubernetes Tutorial | Kubernetes Course | Hands-on course with a lot of demos
还有更多 •••
相关职位
社招5年以上程序&技术类
1、本科及以上学历，计算机相关专业，5 年以上 SRE / 云原生平台 / 大规模集群运维经验，其中 GPU 或异构算力集群相关 2 年以上； 2、具备完整的 SRE 工程实践经验，且主导落地过其中至
上海
社招5年以上云智能集团
1. 精通C/C++/Go等核心开发语言，具备Python、Rust、Shell等一种或多种语言的开发经验，拥有规范的工程化编码能力； 2. 深入理解Linux系统，具有Kubernetes及容器化技
更新于 2025-11-05杭州
社招5年以上云智能集团
1、精通C/C++/Go等核心开发语言，具备Python、Rust、Shell等一种或多种语言的开发经验，拥有规范的工程化编码能力。 2、深入理解Linux系统，具有Kubernetes及容器化技术的
更新于 2025-12-06杭州
社招5年以上云智能集团
1、精通C/C++/Go等核心开发语言，具备Python、Rust、Shell等一种或多种语言的开发经验，拥有规范的工程化编码能力。 2、深入理解Linux系统，具有Kubernetes及容器化技术的
更新于 2025-12-06杭州