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. **硬件集成方向**：负责GPU服务器到货验收、设备硬件巡检；iDRAC/BMC 配置与固件升级；高速网卡、光模块硬件链路检查；硬件故障定位与排查；输出硬件巡检报告、资产台账，支撑项目硬件基线验收。
2. **Linux 集群系统方向**： 大规模集群linux系统批量部署、系统基线优化；部署 NVIDIA 驱动、CUDA、NCCL、容器运行时等全套算力软件栈；使用 Ansible 实现集群自动化批量配置与版本管控；集群 SSH 免密、主机规划、内核与软件源治理；输出部署规范、运维文档，配合完成集群环境交付。
3. **NCCL 性能调优方向**：GPU集群多机集合通信性能调优，NCCL 环境参数调参；执行 NCCL-test、AllReduce 等基准性能测试；校验 NVLink、RDMA 链路状态，定位跨节点带宽不足、性能抖动、时延异常等瓶颈；整机稳定性压测，输出性能基线报告、验收材料。
4. **监控运维平台方向** 搭建集群监控体系，部署 Prometheus、Grafana、各类 Exporter；部署 DCGM GPU 监控、服务器硬件、网卡链路、系统指标采集；定制 GPU / 硬件 / 链路可视化看板；配置告警策略，实现故障预警；输出监控平台部署文档，完成监控模块交付验收。
skills and experience required.
1. 基础要求：2 年及以上 GPU 算力集群相关实施经验，熟悉 Linux 操作系统，具备集群项目交付、文档输出能力，能独立定位对应模块故障。
2. 硬件集成方向：熟悉 iDRAC/BMC 服务器管理，有 GPU硬件部署经验优先；熟悉 Mellanox CX 系列网卡、光模块硬件排查，了解机房机柜、PDU 部署规范。
3. Linux 集群系统方向：精通 Ubuntu，熟悉 NVIDIA 全套软件栈（驱动 / CUDA/NCCL/DCGM）；熟练 Ansible 自动化运维，有大规模裸机集群标准化部署经验。
4. NCCL 性能调优方向：掌握 RoCE/RDMA 原理，具备 NCCL 调优实战经验；熟练 nccl-tests、ib_write_bw 等 benchmark 工具；了解 NVLink、多机分布式训练通信瓶颈，有集群性能验收经验优先。
5. 监控平台方向：熟练 Prometheus+Grafana 架构；熟悉 DCGM GPU 指标采集，能够独立开发看板、配置告警；有大型算力集群监控落地经验优先。
