潘承乖
AI Infra 运维 / SRE 工程师（含 GPU 调度方向）职位描述负责具身智能端到端 AI 平台（含训练、推理、仿真、数据全链路）的整体稳定性与效率提升，基于 Kubernetes 二次开发构建适配多场景的 GPU 调度引擎，保障千卡级训练任务 7×24 小时稳定运行与机器人真机数据采集回传链路的高可用，同步落地安全合规体系、算力成本与利用率优化机制，并建设标准化的变更、容量规划及故障复盘流程，为业务提供稳定高效的基础设施支撑。职位要求- 3-6 年大规模在线服务 SRE / AI 平台运维 / GPU 集群运维经验。- 精通 Kubernetes 及其调度机制，有 K8s 二次开发经验；熟悉rke2、Volcano、Kueue、KubeRay 者优先。- 熟悉 GPU 服务器硬件、NVLink/InfiniBand/RoCE 网络、NCCL/RDMA 调优。- 熟练使用 Prometheus、Grafana、Loki、OpenTelemetry、Fluentd 等可观测栈；具备构建大规模监控体系的经验。- Python/Go/Shell 熟练，能独立开发运维平台组件与自动化工具。- 加分：熟悉 Ceph / Lustre / JuiceFS / 对象存储 大规模存储运维；熟悉机器人真机数据链路（ROS/DDS/gRPC 流式）者加分。
发布于 广东
3
1
4
未登录
友善发言
评论
加载中
