CTO-系统工程师 / 大模型基础设施方向

岗位职责

1. 负责大模型训练、推理、评测等核心链路中的系统工程建设，提升系统稳定性、资源效率和问题定位效率；
2. 参与计算、网络、存储等基础设施能力建设，支撑大规模模型训练、RL、SFT、推理准出等场景高效运行；
3. 深入分析系统瓶颈和稳定性问题，包括性能抖动、任务失败、资源异常、网络通信异常、存储访问异常等，并推动根因定位和长期治理；
4. 建设可观测、可诊断、可回归的系统问题分析体系，提升复杂问题的发现、定位、复现和闭环效率；
5. 与模型、训练引擎、推理框架、调度、网络、存储等团队协同，推动端到端系统优化和工程能力沉淀。

任职要求

1. 具备扎实的计算机系统基础，熟悉操作系统、Linux 内核、容器、调度、资源隔离、性能分析等相关技术；
2. 熟悉网络基础原理和常见问题定位方法，了解 TCP/IP、RDMA、RoCE、NCCL、集合通信、网络拥塞、丢包、抖动等问题分析优先；
3. 熟悉存储系统基础能力，了解本地盘、分布式文件系统、对象存储、缓存、I/O 性能分析、数据一致性和可用性等相关问题；
4. 具备较强的复杂系统问题解决能力，能够从现象出发，结合日志、指标、trace、系统调用、内核状态、网络和存储链路进行端到端分析；
5. 具备良好的工程能力，能够通过工具化、自动化、可观测性建设和机制设计，将单点问题沉淀为系统性能力；
6. 具备良好的跨团队协作能力，能够和模型、算法、框架、平台、基础设施团队共同推进复杂问题闭环；
7. 有大规模训练、推理服务、AI Infra、云原生基础设施、高性能计算、分布式系统稳定性建设经验者优先；
8. 有 Linux 内核、eBPF、性能分析、网络通信、分布式存储、GPU/XPU 集群、Kubernetes、NCCL/RDMA 调优经验者优先。

加分项

1. 有大模型训练或推理系统问题定位经验，能够理解训练稳定性、推理性能、资源效率和任务成功率之间的关系；
2. 有复杂线上故障处理经验，能够承担关键问题的 root cause 分析和长期治理；
3. 有系统工具、诊断平台、压测平台、故障演练、自动化巡检等工程化建设经验；
4. 具备系统性思考能力，能够从单点问题中抽象出问题类别，并推动机制化解决。

特色标签

C/C++、Docker、Foundation Model、K8s、Kubernetes、Linux开发/部署经验、NCCL、Profiling、Python、PyTorch、RDMA、Shell、TCP/IP、TensorFlow、不限、云原生、云原生平台、云计算、云计算经验、分布式存储、分布式经验、分布式计算、分布式训练、可观测性、在线推理、基础设施、大数据运维经验、大规模模型、容器编排、对象存储、巨量模型、微服务经验、性能瓶颈、性能诊断、性能调优、推理服务、故障诊断、文件系统、服务端开发经验、机器学习经验、根因分析、模型推理、模型训练、深度学习训练、熟悉Linux/Unix系统、监控体系、系统架构设计经验、系统热点、系统运维、网络建设/系统集成经验、网络运维经验、英美留学生、观测平台、计算机相关专业、资源瓶颈、运维开发/DevOps、运维开发经验、通信/工程相关专业、问题排查、集合通信