AI Infra SRE工程师（深圳/北京）

岗位职责

1. 负责超大规模通用大模型服务的 SRE 体系建设，保障 AI 平台在高并发、高吞吐、复杂异构资源环境下的稳定性、可用性与服务质量；
2. 负责 AI Infra 监控、可观测性、告警治理与自动化运维平台建设，构建覆盖 GPU、网络、存储、推理链路与模型服务全生命周期的智能运维体系；
3. 负责线上故障快速定位、应急响应与稳定性治理，建立标准化应急预案、故障复盘与根因分析机制，持续提升系统韧性与业务连续性；
4. 参与大模型训练与推理平台的部署、调优与自动化能力建设，推动 LLMOps / MLOps 工程化体系落地，提升平台交付效率与稳定性；
5. 深入分析系统瓶颈与容量热点，通过数据驱动方式识别稳定性风险与性能短板，持续推动架构优化与平台演进；
6. 负责 GPU / CPU / 网络 / 存储等资源利用率治理，推进模型推理加速、弹性调度与成本优化，持续提升资源效率与 ROI；
7. 跟踪业界 AI 硬件与 Infra 技术演进（GPU、网络、存储、推理框架等），结合业务场景推动基础设施选型、架构升级与技术创新；
8. 探索 AI Native SRE、智能 OnCall、AIOps、Agentic 运维等前沿方向，推动运维体系向智能化、自愈化与自治化演进。

任职要求

1. 计算机、软件工程、网络工程等相关专业本科及以上学历，具备 3 年及以上大型互联网或 AI Infra 运维 / SRE 经验；
2. 熟悉 Linux 操作系统原理，具备扎实的网络、存储、系统调优与分布式系统基础；
3. 熟练掌握至少一种编程语言（Python / Go 优先），具备自动化平台、运维工具以及AI Coding 工具开发经验；
4. 熟悉 Kubernetes、Docker、微服务架构及云原生技术体系，具备大规模容器平台运维经验；
5. 熟悉 LLM、大模型训练 / 推理流程、AI Infra、LLMOps / MLOps 相关技术栈，理解模型服务链路与推理架构；
6. 具备较强的性能分析、容量规划与故障排查能力，能够在复杂场景下快速定位并解决系统问题；
7. 具备资源治理与成本优化意识，能够围绕 GPU 利用率、推理吞吐、时延与成本进行系统化优化；
8. 具备优秀的跨团队协作与沟通能力，能够推动架构、平台、算法与业务团队高效协同；
9. 对 AI Infra、云原生、大模型工程体系及前沿技术保持持续关注，具备快速学习与技术创新能力。

产品/项目

广告（数据计算平台部）

工作年限

三年以上工作经验