岗位职责：
1、负责集群自动化部署方案的设计与实施，构建覆盖监控、弹性伸缩及容灾能力的一体化运维体系。
2、推进GPU/NPU资源池化建设，主导核心调度能力建设与落地。
3、牵头异构计算资源调度系统的研发工作，聚焦基于K8s调度框架的功能开发与持续迭代。
4、构建面向GPU/NPU算力的资源管理平台，健全监控告警、日志采集与成本计量机制，实现集群从接入到退役的全周期可视化管控。
5、研发或集成高效工具链，支持算力资源的动态分配与负载均衡，减少任务等待时间，提升整体集群吞吐能力。
6、结合GPU/NPU硬件特性，对深度学习模型训练与推理流程进行端到端性能剖析与优化，涵盖CUDA内核调优、算子加速及内存带宽利用等关键环节。
7、优化RDMA网络资源配置与流量控制策略，应对多任务并发场景下的PFC风暴问题。
8、支撑深度学习训练任务运行，持续改进模型资源分配机制以提升利用率。
9、快速排查并处理集群中硬件（如GPU/NPU卡异常）、网络、存储及软件栈层面的各类故障，包括显存泄漏、通信阻塞等典型问题。
10、满足上述能力中5项及以上者优先考虑。

任职要求：
1、具备5年以上相关经验，有大规模GPU/NPU算力集群的运维或开发背景，具备AI训练或推理场景的实际项目经历。
2、熟练掌握K8s、Docker等容器技术栈。
3、深刻理解GPU/NPU架构原理（如CUDA、TensorCore、RDMA等），熟悉PyTorch/TensorFlow等框架的分布式训练机制；
4、具有系统性能调优实践经验，熟练使用各类Profiling分析工具；
5、熟悉Prometheus、Grafana、ELK等主流监控组件，能够编写Python/Shell类自动化脚本。
6、了解主流GPU/NPU厂商硬件规格，具备AI算力成本优化经验（如混合精度训练、显存压缩）者优先。
7、具备出色的逻辑思维与故障排查能力，可在高压环境下高效响应紧急事件，具备良好的团队协作意识和跨部门沟通能力，有撰写技术文档和技术分享的习惯。
8、加分项：掌握InfiniBand/RoCE等高性能网络协议