* 建立GPU故障案例庫與自動化復盤工具，將典型問題轉化為檢測規(guī)則。
* 開發(fā)動態(tài)運維手冊生成工具，關聯監(jiān)控告警與修復SOP。
任職要求:
* 熟悉Linux系統(tǒng)、網絡架構及分布式系統(tǒng)原理，精通Kubernetes/Ansible等運維工具鏈。
* 具備GPU集群運維經驗，熟悉NVIDIA/國產GPU硬件架構及監(jiān)控方法（如DCGM、Prometheus+Grafana）。
* 至少掌握C++/Python/Go一門語言，能獨立開發(fā)運維工具，有大規(guī)模系統(tǒng)性能調優(yōu)經驗。
* 深入理解SRE方法論，熟悉容量規(guī)劃、混沌工程、SLO設計等實踐。
軟性能力
* 對復雜問題有系統(tǒng)性拆解能力，能在高壓下快速定位并解決故障。
* 具備技術文檔撰寫與跨團隊協作能力，推動運維標準落地。
* 保持對新技術的學習能力
加分項
* 熟悉前端技術
* 熟悉國產GPU技術棧及CUDA開發(fā)。
* 有萬卡級智算中心或超算中心運維經驗，參與過AI大模型訓練任務支持。
* 熟悉MLPerf等AI基準測試工具，或參與過開源運維項目。