职位描述： 我们正在建设面向自动驾驶大型模型训练的 AI 基础设施平台，支持多云异构 GPU 集群、训练任务调度、数据与算力协同，以及大规模 AI Workflow 的稳定运行。你将参与 AI 训练平台与生产系统的设计、建设与持续优化，提升整体资源效率、系统稳定性与研发体验。 工作内容： AI 训练基础设施建设与运维 参与 GPU 集群、Kubernetes 平台的建设与稳定性优化 支持大规模训练任务的运行与问题排查 参与训练链路的资源调度、任务治理与容量管理 优化训练平台的可用性、可观测性与自动化能力 平台稳定性与效率优化 参与训练任务异常恢复、告警、监控体系建设 协助定位训练性能问题（网络 / 存储 / GPU / 调度等） 持续提升 GPU 利用率与资源交付效率 推动平台工程化与标准化建设 AI Workflow 与云平台协同 支持 Argo Workflow / GitLab CI 等平台能力建设 参与多云资源管理与异构算力接入 协助建设统一 AI 生产系统与研发工作流 任职要求： 基础要求： 熟悉 Linux、网络与容器基础设施 熟悉 Kubernetes 生态与常见运维工具 具备一定自动化运维或平台开发能力（Python / Go 等） 具备较强的问题定位与工程推进能力 加分项： 以下经验任意方向有了解即可： GPU / AI 训练平台相关经验 Kubernetes GPU 调度经验 RDMA / 高性能网络经验 Argo Workflow / Ray / Slurm 使用经验 大模型或自动驾驶训练平台经验 存储系统（Alluxio / Ceph / Lustre / GPFS 等）经验 多云平台或混合云经验