上海 te 招聘（工资待遇要求）

职位概览：
我们正在寻找一位资深的底层基础架构工程师，专注于构建和优化基于 Kubernetes 的高性能、多态（Heterogeneous）算力集群。你将不仅负责驱动和容器化等底层技术，更需深度参与大规模集群调度系统的设计与框架侧性能调优，支撑公司核心 AI 业务（如万亿参数大模型训练、超大规模分布式推理）。你的目标是构建一个稳定、高利用率且能深度适配 AI 框架的算力底座。
核心职责：
1. 统一集群架构与调度设计：负责超大规模 K8s 集群（包含 GPU 训练集群与 CPU 推理/计算集群）的架构设计。针对 AI 负载优化调度策略，落地批处理调度（Batch Scheduling）、任务优先级剥夺、Gang Scheduling 以及多租户资源配额管理（如使用 Volcano, Kueue 或 Ray on K8s）。
2. GPU/CPU 资源深度优化：
- GPU：研究并落地 NVIDIA GPU 虚拟化与切分技术（MIG、vGPU、Time-slicing），实现拓扑感知调度（Topology-aware scheduling）。
- CPU：负责 CPU 集群的高性能化，优化 NUMA 亲和性、CPU Pinning 及隔离技术，提升数据预处理和 CPU 密集型推理任务的执行效率。
3. AI 框架与底层集成调优：深度对接主流 AI 框架（PyTorch、DeepSpeed、Megatron-LM、vLLM），针对底层硬件特性进行框架侧算子加速、显存优化及通信原语（NCCL/Gloo）的深度调优，解决计算与通信的 Overlap 问题。
4. 高性能网络与存储：优化 RDMA/RoCE v2/InfiniB网络，设计并实现算力集群的存储加速方案（如分布式缓存、计算存储分离优化），消除大规模分布式训练中的 I/O 瓶颈。
5. 基础设施自动化与算力平台开发：使用 Go/Python 开发 CRD 控制器、调度插件及自动化运维工具，实现算力资源的自动化交付、自动扩缩容（Autoscaling）及故障自动迁移。
6. 全栈监控与稳定性管理：构建覆盖硬件（DCGM/ECC/CPU状态）、系统（Kernel/EBPF）及框架指标的监控体系，实现故障的主动感知与分钟级止损。
任职要求：
1. 专业背景：计算机、通信等相关专业本科及以上学历，5年以上基础设施或底层平台开发经验。
2. 深度调度经验：精通 Kubernetes 调度流，有开发自定义调度器（Scheduler Framework）或使用开源 AI 调度器（Volcano/Kueue/Yunikorn）的实战经验。熟悉任务编排框架（如 Ray, Slurm, Spark on K8s）。
3. CPU/GPU 异构计算：
- 熟悉 NVIDIA GPU 架构（H100/H800/H20 等）及软件栈（CUDA/Driver/Toolkit）。
- 精通 Linux CPU 资源管理（Cgroups v2、CPUSet、NUMA），有处理大规模 CPU 集群化部署与负载均衡的经验。
4. 框架与性能调优功底：熟悉 AI 模型训练/推理流程，能够进行分布式训练环境下的性能打点、瓶颈分析（Profiling）及针对性调优。理解 NCCL 通信原理及其在多机多卡环境下的性能调优。
5. 底层网络与存储：熟悉 TCP/IP 协议及高性能网络方案（RDMA/RoCE/IB），了解并行文件系统（Lustre/GPFS）或高性能缓存系统（Alluxio/JuiceFS）。
6. 工程开发能力：精通 Go 语言（具备 Operator/Webhook/Scheduler 开发经验）或 Python，熟悉 eBPF 监控者优先。