集群软件开发工程师

工作地点：杭州/北京 岗位职责： 1. 主导或参与AI芯片基于Kubernetes等主流集群软件栈中的适配与优化； 2. 优化大规模AI集群的资源调度效率，解决资源碎片、可观测性与故障恢复等问题，提升亲和性调度能力； 3. 通过AI芯片的指标采集接口，实现利用率、温度、功耗等硬件级指标的统一采集； 4. 构建集群级的资源可视化大盘，包括节点状态、实时利用率等指标的可视化； 5. 构建AI计算任务可观测体系，包括任务级Metrics埋点、慢节点检测、故障自动诊断与恢复； 6. 处理集群运行中的异常问题，包括任务阻塞、通信超时等，基于监控数据建立自动化排查与自愈能力； 7. 参与集群软件开源社区的技术调研与贡献； 任职要求： 1. 计算机科学、软件工程或相关专业本科及以上学历，3年及以上AI集群软件开发经验； 2. 熟练掌握Linux系统运维操作，熟悉C/C++/Go/Python中至少两种编程语言； 3. 深入理解分布式系统基本原理，熟悉Kubernetes架构及Device Plugin/Operator等开发； 4. 具备至少一种AI芯片的适配或运维经验，熟悉芯片驱动、运行时、工具链或集群部署方案； 5. 熟悉Prometheus监控体系，有大规模指标采集的实践经验； 6. 熟练使用Grafana进行监控大盘与告警面板的开发，有面向大规模AI集群的可视化建设经验； 7. 具备良好的性能分析与问题定位能力，熟练使用perf、火焰图、日志追踪等工具； 加分项： 1. 有千卡及以上AI集群的建设或运维经验，处理过AI大模型训练或推理任务的稳定性问题； 2. 主导或深度参与过AI芯片软件栈适配项目； 3. 了解RDMA/RoCE/InfiniBand网络协议，有网络性能调优经验； 4. 有开源项目贡献经历，或有调度系统/监控平台从0到1的开发经验；