GPU集群运维经理

Base南京，远程统筹海外AI算力数据中心运营。团队目前4-5人，正在扩建中。前期以技术骨干身份主导项目交付和集群运维体系搭建，后期转为团队管理。直接向管理层汇报，决策空间大。 你要负责的事 1. 算力集群运维体系从0到1搭建 负责GPU集群（H100/H200/B200等）日常运维、监控告警、故障处置 搭建运维SOP、值班轮班、故障升级流程，把现有'人肉运维'变成体系化运营，推动监控平台（Prometheus/Grafana/DCGM）和自动化运维落地 2. 底层基础设施管控 管理GPU服务器、存储、IB/RoCE高速网络、业务以太网持续优化算力/存储/网络资源，降低非计划停机；熟悉NVIDIA软件栈（BCM/DCGM/UFM），能玩转K8s/Slurm调度 3. 故障应急与业务连续性 主导重大故障应急处置，协调一线/二线/厂商TAM多方资源，驱动故障根因复盘，落地整改方案，管住重复故障，搭建备件储备、应急演练、灾备机制 4. 团队带教与供应商管理 带教4-5人团队，夯实服务器/GPU/网络实操能力，后续扩建统筹硬件备件、设备维保、厂商技术服务，清晰划分一线/二线/厂商TAM职责与升级流程 核心要求（3条，不全满足也欢迎聊）： 5年+数据中心/云基础设施/HPC/AI算力集群运维经验，有实际管过GPU集群（不只是装过） Linux底子扎实，熟悉GPU服务器硬件排障，用过DCGM，了解K8s或Slurm调度 有重大故障处置经验，能独立驱动根因复盘和整改 加分项（有1-2个就很加分）： 实操过H100/H200/B200/DGX整机集群，用过BCM/UFM/NCCL 有IB/RoCE大规模分布式训练集群网络运维经验 有运维团队管理经验，带过3人以上团队 我们能给你什么 管真实的大集群，不是Demo环境，是客户在跑训练的生产环境 从0到1搭体系的空间，运维体系你来设计、你来落地，不是来接盘别人定好的流程 海外项目实操，接触海外AI客户和国际化交付标准 直接汇报通道，不用层层过滤，你的方案能直接到决策层 团队扩建主导权，后续招人你说了算 工作地点 南京（海外出差按项目走，一般1-2个月，非全年驻外） 💡 不要求以上全部满足，不要求英语水平。如果你GPU集群运维经验扎实、有带团队的意愿、愿意前期冲锋后期转管理，欢迎直接聊。比起纸面匹配，我们更看重动手能力和体系化思维。