【岗位职责】 1.负责智算集群的日常运维与稳定性保障，覆盖服务器硬件的监控、巡检、故障诊断与维修更换，根据信息安全相关要求完成现场落地实施和安全防护； 2.建立并优化集群的可观测性体系（监控指标、日志采集、告警策略），实时跟踪GPU利用率、功耗、温度及互联带宽，提前发现并规避潜在风险； 3.负责大模型训练/推理环境的搭建与维护，确保分布式任务稳定运行，解决运行中的软硬件兼容性及性能瓶颈问题； 4.负责对已投产系统的架构优化和运行优化，对标集团/行业标准规范制定落地方案并组织实施； 5.制定并完善运维规范SOP/MOP、故障处理SOP、应急响应预案和硬件生命周期管理制度，定期输出运维报告与优化建议； 6.参与集群扩容、架构升级及新技术引入的评估与落地，从运维角度提出高可用、高可靠的设计方案； 7.承担复杂技术攻关任务。 【任职要求】 教育：硕士研究生及以上学历，计算机、电子、通信、软件、自动化、能源应用工程、空调工程、能源与动力工程、电气工程、电力系统及其自动化等相关专业。 知识：扎实的计算机基础，熟悉操作系统、网络、存储等基本原理；研究方向包括但不限于高性能计算、AI芯片架构、分布式系统、并行计算、大模型训练推理优化、算力网络调度等。 技能：精通常用运维命令、系统配置与性能调优工具。 经验：有大型超算/智算中心、头部云厂商或AI芯片公司的运维实习/合作经历优先；有头部互联网、云厂商、智算中心或顶尖高校实验室的实习或合作研究经历者优先。