about the company.
我们的客户是一家全球化的提供云计算和AI算力解决方案的公司。
about the team.
工作氛围轻松，开放，拥抱新技术。
about the job.
1. 负责GPU智算集群项目全流程落地，从空白机房阶段介入，完成机房基础设施评估、制冷散热方案规划（冷热通道封闭、功耗/风量评估、热仿真、泄漏率验收），输出全套项目技术文档。
2. 负责集群网络整体规划与实施：高速网络拓扑设计，高速网卡、DPU、光模块、交换机部署调试，RDMA/RoCE、NCCL调优，BGP/EVPN/MLAG等网络配置、故障排查。
3. 负责GPU服务器BIOS/固件配置、驱动、CUDA、NCCL环境部署，NUMA、HugePage等系统底层调优。
...
4. 负责并行存储方案规划部署，存储带宽评估、IO瓶颈定位。
5. 搭建集群调度平台、DCGM+Prometheus/Grafana监控告警体系，实现集群可观测性。
6. 执行集群全量压测（NCCL AllReduce、带宽、功耗、稳定性压力测试），编写测试报告，完成项目验收交付。
7. 编写实施方案、运维手册、验收文档等全套技术资料，配合内外部评审，沉淀项目标准化方案。
8. 项目上线后负责集群故障定位、性能持续优化，支撑大模型分布式训练推理稳定运行。
skills and experience required.
1. 本科及以上，计算机、网络工程、电子信息等相关专业，2年及以上AI GPU集群基建落地经验；有从空白机房到集群交付完整项目经验优先。
2. 熟悉机房制冷、冷热通道封闭方案，掌握服务器功耗、进风温度、散热泄漏率评估方法。
3. 精通Linux系统底层调优，熟悉NVIDIA驱动、CUDA、NCCL，能够独立完成NCCL性能测试、RDMA/RoCE问题排查。
4. 熟悉高速网络：InfiniBand/RoCE，Mellanox网卡/DPU，高速交换机，掌握EVPN、MLAG、BGP；能独立做集群组网规划。
5. 了解并行文件系统Lustre/Spectrum Scale/Ceph，熟悉存储带宽、IO性能评估。
6. 熟悉Slurm或K8s GPU调度体系，DCGM、Prometheus+Grafana监控体系搭建。
7. 具备完整项目文档能力，可独立编写实施方案、压测报告、验收材料；良好跨团队沟通能力。
8. 加分项：百节点级大规模GPU集群交付经验；熟悉Ansible/Terraform自动化批量部署。
