资深算力服务器稳定性专家

职位描述

工作职责:

1. 负责AI算力集群运维体系建设，保障算力集群持续稳定运行。

2. 负责AI算力集群可观测性建设，建立各类故障知识库，提高故障发现覆盖率与准确率

3. 参与AI算力集群建设交付，制定并优化算力交付基线、交付压测与检查，保障交付资源稳定性与性能一致性。

4. 构建自动化运维工具链，提升集群故障自愈率与运维效率，有效降低故障影响。

工作要求:

1. 计算机、电子工程或相关专业本科及以上学历，熟悉PCIe、NVLink、CXL等高速互联协议，了解GPU服务器架，具备6年以上服务器硬件研发经验；

2. 熟悉主流AI服务器的硬件及系统、RDMA网络等相关基础设施，有千卡及以上规模AI算力集群建设、运维经验优先；有互联网大厂或服务器ODM/OEM厂商工作经验者优先；

3. 对AI集群运维有较好的认知和全局意识，具备有较强的分析、解决问题的能力；

4. 具备优秀的故障定位与根因分析能力，能独立驱动跨团队协作解决复杂硬件问题；

5. 良好的沟通协作能力，有良好的团队合作精神；对工作充满热情，责任心强、有一定的抗压能力；

6. 能够熟练运用脚本语言（Python/Shell等）完成日常任务或自动化工具开发