岗位职责 ●支持和保障训练和推理业务高效平稳的运行，缩短故障恢复时间（MTTR），提高运行效率 ●完成节点的基线检查与性能验证工作，确保资源能够高质量高性能投入生产 ●实现服务相关各部件状态的实时感知，提升问题自愈率与处理效率，降低干预成本 ●参与系统架构优化，提升整体稳定性 ●编写和维护运维文档，沉淀最佳实践 任职要求 ●知名院校大学本科学历以上，计算机、电子工程或相关专业 ●接触过千卡以上GPU服务器管理 ●熟悉Linux 服务器的管理、问题排查与分析 ●熟悉NVLink/NVSwitch/HBM/RDMA ●了解DCGM/NVSM ●具备良好的故障排查和问题解决能力 ●有较强的团队协作和沟通能力 加分项 ●有大规模集群运维经验 ●熟悉容器化技术（如Docker、Kubernetes） ●有自动化运维工具开发经验