米哈游
AI集群运维
AI集群运维
发布于 大约 21 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
本科
GPU
GO
AIOps
etcd
Cilium
Volcano
Calico
Apiserver
AI 估算 · 30k–50k
GPU集群运维稀缺人才，米哈游薪酬竞争力强，资深岗位薪资高
职位详情
关于这个职位
负责米哈游AI集群的Kubernetes平台搭建、调优与运维，包括核心组件管理、故障排除、安全加固及自动化工具开发
需要深厚的K8s原理理解和GPU调度经验，适合追求技术深度的资深运维工程师
最低要求
计算机科学与技术、软件工程、信息系统等计算机相关专业，本科及以上学历
年以上大规模 K8s 集群运维经验
精通 K8s 核心组件（apiserver / etcd / kubelet / scheduler / controller-manager）原理与调优方法
熟悉容器运行时（containerd / runc）与 Linux cgroup 机制
熟悉 K8s 网络方案：主流 CNI 实现（Calico / Cilium / Flannel 等）、kube-proxy、Service / Ingress / NetworkPolicy、DNS、Cilium 等核心组件原理
具备 K8s 集群网络排障能力：能够使用 tcpdump、conntrack、iptables、ip netns、ss、ethtool 等工具进行网络问题定位与抓包分析，能定位跨节点网络异常、Pod 网络不通、Service 转发异常等典型问题
熟悉至少一种 GPU 调度方案（Volcano / Kueue / KAI ）
熟悉 Linux 系统管理，包括性能调优、内核参数、systemd、网络栈
具备 Shell 脚本能力，掌握 Python 或 Go 中至少一种，可独立开发运维工具
接受 7×24 二线 oncall 值班安排
工作职责
多地域AI集群的 K8s 平台搭建、调优（apiserver / etcd / scheduler / kubelet等核心组件）、版本升级、参数变更与日常巡检
自研训推平台系统的部署、发布与变更
集群节点上下线流程管理、与硬件运维协同处理故障节点
集群故障定位与恢复：包括控制面降级、apiserver 性能异常、etcd OOM、节点批量 NotReady、慢节点、网络异常等典型场景
集群与服务器安全加固（CIS 基线、kubelet 参数、network policy 落地）、堡垒机联动、运维审计
故障应急 Runbook 与 SOP 文档编写，主导或参与故障复盘
优先资格
大规模 K8s 集群运维实战经验（5000节点以上）
GPU 集群运维经验（NVIDIA Driver、DCGM、Doca、GPU Operator、Network Operator）
训推平台搭建与运维经验
有AIOPS 提效实践经验
AI 洞察
优缺点分析
- 接触最前沿的AI基础设施技术，包括大规模K8s、GPU集群和AIOps，技术积累价值高
- 米哈游作为头部游戏公司，平台大，资源充足，薪资福利有竞争力
- 工作内容涉及核心AI业务，在公司内受重视，发展空间大
- 需要7×24小时oncall值班，工作强度大，可能影响生活平衡
- 技术栈深且复杂度高，对排障能力和学习能力要求极高
- 大规模集群运维压力大，故障处理需要快速响应和决策
- 适合热爱技术、追求深度、能承受较大工作压力，希望在AI基础设施领域深耕的资深运维工程师
角色解读
- 可以向AI基础设施架构师方向发展，主导大规模训练集群的设计与优化
- 也可以转向AI平台开发，结合K8s和AI工作流，成为平台工程师
- 未来可晋升为运维团队技术leader或SRE经理
- 负责大规模K8s集群的搭建、调优与日常运维，确保AI训练和推理平台的稳定运行
- 处理集群故障，包括控制面降级、节点异常、网络问题等，并编写应急文档
- 参与集群安全加固和运维自动化工具开发，提升运维效率
- 精通K8s核心组件原理与调优，具备大规模集群运维经验
- 熟悉Linux系统管理、网络排障，能使用tcpdump等工具定位问题
- 掌握Shell、Python或Go，能独立开发运维脚本和工具
- 了解GPU调度方案，如Volcano、Kueue等
申请策略
- 在简历中准备一个完整的故障处理案例，展示系统性思维
- 了解米哈游AI业务方向（游戏AI、内容生成等），展现对业务的兴趣
- 突出大规模K8s集群运维经验，尤其是5000节点以上的案例
- 强调GPU集群运维经验，包括NVIDIA驱动、DCGM等
- 展示网络排障能力，如在简历中写具体故障案例和解决过程
- 体现自动化运维能力，如用Python/Go开发的工具或脚本
- 深入学习K8s网络方案，尤其是Cilium和NetworkPolicy
- 补充GPU调度方案知识，如Volcano或Kueue
面试指南
- 对于故障类问题，采用STAR法则：描述场景、任务、行动、结果，突出分析过程和关键决策
- 对于技术原理问题，先阐述核心概念，再结合实践经验说明调优要点
- 对于工具类问题，强调实际使用场景和效果，避免空谈理论
- 描述一次你处理的K8s集群etcd OOM故障，你是如何定位和解决的？
- 如何优化大规模集群的apiserver性能？
- 请解释Cilium的工作原理以及它与Calico的主要区别
- 在GPU集群运维中，你如何处理节点NotReady问题？
- 你有使用过哪些运维自动化工具？请举例说明
匹配度报告
62
综合匹配度
高薪前沿技术岗，但需接受oncall和较大工作压力。
适合人群
适合看重技术成长和薪资回报，能接受高强度工作的资深运维工程师。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活30
使命价值50
薪资福利匹配
80较高
米哈游薪酬待遇属行业头部，虽未明确薪资但预计较高，且大厂福利完善。但需oncall值班，工作强度大。
薪资信号未披露 (30K-50K/月)
成长发展匹配
90较高
技术栈前沿，涉及K8s、GPU、AIOps，成长空间大。公司体量大，可接触业界顶级基础设施，但未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈K8s、etcd、GPU、Volcano、Cilium、AIOps
业务类型cost_center
工作生活匹配
30较低
明确要求7×24二线oncall，工作强度高，无远程或弹性办公说明，生活方式灵活性差。
工作模式仅现场办公
办公地点科技园/产业园
加班情况明确要求弹性/高强度
使命价值匹配
50较低
游戏行业AI基础设施对社会直接影响有限，但技术基础设施支撑公司核心AI业务，有一定意义。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs