AI 智算基础设施 SRE（集群可观测 / 存储治理 / 资源整合）

职位描述

1.可观测与告警：使用Prometheus、Grafana等组件、搭建集群资源监控大盘和告警机制；

2.存储治理：治理分布文件系统存储、对象存储，挂载规范、目录分层、配额与容量巡检；

3.集群维护: 参与集群维护、任务调度组件、监控组件日常维护与排障修复。

任职要求

1.本科及以上，计算机、网络相关专业，熟练 Shell/Python；会使用 Helm、Ansible 等做组件部署与配置管理；

2.熟悉 K8s 运维：节点、Pod 资源模型、存储（PV/PVC、HostPath）、调度现象与排障；

3.熟练使用 Prometheus/Grafana：PromQL、大盘设计、告警规则与运营；

4.熟悉 NFS 与对象存储（S3/MinIO）：AI 训练场景下的挂载、权限、容量与 IO 问题排查；

5.有生产 K8s 集群运维、监控平台建设或 AI 训练集群 SRE 经验。

加分项

1.Ceph、Lustre、GPFS 或大规模并行文件系统经验；

2.Elasticsearch、Loki、Jaeger 等组件部署调优；

3.智驾 / 大规模 AI 训练基础设施背景。