机器学习平台 SRE 工程师

职位描述 负责月之暗面大规模 GPU 训练与推理集群的稳定性保障，支撑业务 7×24 高可用运行； 负责 Kubernetes 及云原生周边系统（监控、日志、镜像分发、存储）的运维保障与平台化工具开发以及疑难问题的排查解决； 负责 GPU 节点硬件故障的自动化巡检、自愈体系与告警治理； 参与 OnCall 值班，响应集群级突发事件（网络拥塞、调度热点、训练任务失败）。 职位要求 3 年以上大规模分布式系统或云原生基础设施 SRE 经验，有 1000+ 节点 Kubernetes 集群的运维或建设经历； 了解 Kubernetes 及生态，理解 Operator、Device Plugin 或 CNI/CSI 插件的工作原理； 熟悉 Prometheus / Grafana / Loki / ELK 等可观测体系，具备基于 eBPF 或 NVIDIA Nsight 进行性能剖析与故障定位的能力； 具备 Go / Python / Rust 至少一门语言的开发能力，能独立完成自动化运维工具、Operator 或监控 Exporter 的开发。 具备良好沟通合作能力和扎实的工程素养。