高级服务器工程师（智算业务）

一、岗位职责： 负责智算中心GPU算力服务器为核心的全生命周期管理。 具体工作包括： 1、服务器前期规划选型、服务器结合网络和模型的全面压力测试方案制定和执行。 2、交付期的设备上架、下线、硬件验收、固件升级、资产台账管理。 3、 运维期的算力服务器硬件故障排查、定位与备件更换，处理 GPU 掉卡、ECC 报错、供电、散热、PCIe 链路故障；对接服务器 / GPU 厂商完成 RMA 备件返修，输出故障根因报告。 4、批量的Linux 系统部署、基线配置、驱动、CUDA、DCGM 环境安装维护。 二、任职要求： 1.基本要求 -统招大专及以上学历，计算机、电子信息、通信、自动化、电气工程、网络工程等理工科相关专业。 -具备5年及以上IDC/智算中心服务器运维实操经验，至少2年GPU算力服务器集群全生命周期管理经验，熟练主流浪潮、华为、戴尔等服务器硬件设备，可独立完成现场运维工作。 2.专业技术能力 -熟练掌握Linux系统基础操作与日常运维； -熟练使用nvidia-smi、DCGM等GPU诊断工具，熟悉CUDA基础运行环境； -了解IB/RoCE/RDMA高速网络基础原理； -具备服务器硬件故障、GPU异常、链路故障的基础排查能力。 三、加分项 -服务器全生命周期管理能力都具备； -有千卡级及以上 GPU 智算集群交付、运维经验；接触 H100/H800/A100 等高端 GPU 服务器； -有液冷高密度算力机房运维经验； -熟悉 Slurm/K8s 算力调度、vGPU/MIG GPU 虚拟化； -熟悉分布式存储 Ceph/Lustre； -有自动化运维经验：Shell/Python、Ansible、Prometheus 监控平台落地； -熟悉分布式存储 Ceph/Lustre； -有自动化运维经验：Shell/Python、Ansible、Prometheus 监控平台落地； -有国资 IDC、算力托管、大模型推理 Token 托管项目交付经验； -熟悉国产昇腾 GPU 服务器运维。