智算集群运维专家

岗位职责： 1. 智算集群独立运维与稳定性保障（核心职责） 负责大规模异构算力集群（包括GPU/NPU服务器、InfiniBand/RoCE高速网络、并行存储系统）的7×24小时日常运维、巡检与容量管理，对集群整体可用性（SLA）负责。 独立处理集群层面的复杂故障，快速响应并解决GPU掉卡、节点宕机、集群瘫痪、网络拥塞导致训练中断等重大问题，具备独立进行硬件级故障诊断与固件升级的能力。 2. 风险预防与深度优化 主导制定并完善集群的应急预案、风险排查机制和标准操作流程（SOP），通过巡检数据分析和主动运维，提前发现并消除潜在的系统性风险。 持续优化智算监控体系（如Prometheus+Grafana），对GPU利用率、温度、功耗、网络流量等全链路指标进行深度分析，编制专业分析报告并提出落地优化方案。 3. 自动化运维体系建设 利用Shell、Python或Go等语言开发自动化运维工具与脚本…… 完整岗位描述与官方投递入口,请登录后在岗位详情页查看。