AI算力平台架构师/工程师

一、职位概述
我们正在寻找一位既懂硬件底层又通晓AI技术的复合型人才，负责维护和管理包含NVIDIA RTX 4090、H100/H200及昇腾系列的异构算力集群。你将负责从机房物理环境、服务器硬件、高速网络到AI计算平台软件栈的全栈式部署、调优与运维，确保算力集群的稳定、高效运行。
二、工作地点
• 地点：河南省郑州市，北京或者远程办公
三、岗位职责
• 异构硬件全生命周期维护：负责RTX 4090、H100/H200及昇腾系列计算卡的服务器上架、安装、调试、日常巡检与故障排查。能够快速定位并解决显卡掉卡、电源异常、散热降频等硬件问题。
• 算力集群架构与运维：规划并搭建多机多卡算力集群，设计合理的物理网络拓扑。负责操作系统（Linux）安装、内核调优及固件升级，保障底层基础环境稳定。
• 异构软件栈配置与优化：维护NVIDIA（CUDA/NCCL/CUDNN）与昇腾（CANN/驱动）两套独立且复杂的软件生态。配置容器化运行环境，确保不同AI框架能在对应硬件上高效运行。
• 高性能网络调优：针对H100/H200的高带宽需求，配置和调试InfiniBand或RoCE高速网络。优化NCCL通信性能，解决多节点训练与推理中的网络瓶颈问题。
• 算力调度与监控：搭建并维护集群调度系统（如K8s/Slurm），实现算力资源池化与任务调度。部署监控告警系统（如Prometheus/Zabbix），实时监控GPU利用率、显存、温度及网络吞吐。
四、任职要求
• 学历与经验：计算机、电子工程、自动化等相关专业本科及以上学历；3年以上服务器运维或高性能计算中心工作经验；有大规模GPU集群维护经验者优先。
• 硬件技能：精通服务器硬件架构，熟悉PCIe拓扑、NvLink及SXM接口差异；具备极强的动手能力，能独立完成硬件更换与维修。
• 异构计算能力：必须同时具备NVIDIA和昇腾生态的实战经验。精通CUDA软件栈，熟悉CANN架构；能独立完成驱动、固件及开发工具包的安装配置。
• 网络与系统：精通Linux系统操作与Shell脚本编写；熟悉TCP/IP、InfiniBand网络协议；有RDMA、NCCL调优经验者优先。
• 容器化技术：熟练使用Docker容器技术，了解Kubernetes或Slurm调度原理。
五、加分项
• 有大模型（LLM）训练或推理部署经验（如vLLM, Transformers）。
• 熟悉主流AI框架（PyTorch/TensorFlow/PaddlePaddle）的分布式运行原理。
• 拥有HCIP/HCIE、RHCE、CCNA等专业认证。
六、我们希望你具备的素质
• 全栈思维：能够从“机房供电-硬件-网络-系统-应用”的全链路视角看待问题。
• 极强的抗压与排障能力：面对集群宕机或硬件故障时，能冷静快速地定位并解决问题。
• 文档习惯：具备良好的技术文档编写能力，能输出清晰的部署手册和故障处理记录。
七、薪资范围
• 薪资：12k-35k/月（具体面议，视经验与能力而定）