月之暗面
机器学习平台 SRE 工程师
机器学习平台 SRE 工程师
发布于 大约 14 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
学历未注明
GPU
SRE
GO
eBPF
云原生
NVIDIA Nsight
自动化运维
Operator
CNI
CSI
AI 估算 · 30k–50k
AI 赛道高级 SRE 稀缺，GPU 集群技术难度高，结合深圳市场薪资水平，月薪 30k-50k 合理。
职位详情
关于这个职位
该职位负责月之暗面大规模 GPU 训练与推理集群的稳定性保障，涉及 Kubernetes 及云原生系统的运维与平台化工具开发
您将处理集群级突发事件，保障业务 7×24 高可用运行
适合在大规模分布式系统或云原生基础设施领域有深厚经验的 SRE 工程师
最低要求
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
工作职责
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）
AI 洞察
优缺点分析
优点
- AI 赛道前景广阔，GPU 集群是核心基础设施，技术壁垒高，经验稀缺
- 接触前沿技术栈（eBPF、Operator、NVIDIA Nsight），技能积累快
- 月之暗面作为 B 轮公司，技术氛围浓厚，可深度参与平台建设
- GPU 集群故障类型复杂，需要快速学习硬件和网络相关知识
缺点 / 挑战
- OnCall 值班压力较大，需要处理 7×24 高可用要求，工作强度较高
- 要求 1000+ 节点经验，门槛较高，竞争激烈
- 有丰富 Kubernetes 和基础设施经验、享受技术挑战、能承受一定 OnCall 压力、对 AI 基础设施充满热情的 SRE 工程师
角色解读
- 深化 GPU 集群 SRE 领域，成为 AI 基础设施方向的专家
- 向基础设施架构师或平台工程团队负责人发展
- 积累大规模分布式系统经验，转型为 AI 系统工程师或 Cloud Architect
- 保障大规模 GPU 训练与推理集群的稳定性，处理网络拥塞、调度热点等集群级突发事件
- 负责 Kubernetes 及云原生系统的运维与平台化工具开发，开发自动化巡检和自愈工具
- 参与 OnCall 值班，快速响应并解决生产环境中的故障与性能问题
- 精通 Kubernetes 生态，熟悉 Operator、CNI/CSI 插件工作原理
- 熟练使用 Prometheus/Grafana/Loki 等可观测工具，具备 eBPF 或 Nsight 性能定位能力
- 至少精通 Go/Python/Rust 一门语言，能独立开发运维工具或 Operator
申请策略
- 提前了解月之暗面的技术博客或开源项目，面试中展现对公司的认可
- 准备一个大规模集群故障排查的故事，体现系统化分析和解决能力
- 突出管理过的 Kubernetes 集群规模，强调 1000+ 节点经验
- 展示具体的可观测体系建设案例，如 Prometheus 告警规则、Grafana 仪表盘
- 列出自研的 Operator、自动化工具或监控 Exporter 项目，体现开发能力
- 复习 eBPF 原理和 NVIDIA Nsight 工具的使用，准备性能调优场景
- 强化 Go 或 Rust 编码能力，尤其是 Operator 开发框架（kubebuilder）的实战
- 了解 GPU 硬件架构（如 NVLink、NVSwitch）和常见故障模式
面试指南
- STAR 法则：描述场景（Situation）、任务（Task）、行动（Action）、结果（Result）
- 对于设计类问题：先定义需求和目标，给出架构图（口述），再分模块说明，最后考虑容错和扩展
- 请描述你管理过的最大 Kubernetes 集群，遇到过哪些挑战，如何解决？
- 当 GPU 训练任务出现慢节点时，你会如何定位和修复？
- 解释 eBPF 在可观测性中的应用，你用它解决过什么问题？
- 设计一个自动化 GPU 硬件故障检测与自愈系统
- 谈谈你对 Operator 的理解，如何编写一个自定义 Operator？
- 复习 Kubernetes 核心组件原理，特别是调度器、控制器和 CNI
匹配度报告
69
综合匹配度
AI 基础设施核心岗位，技术前沿性强，薪资有竞争力，但 OnCall 压力大，WLB 一般。
适合人群
最看重技术成长和前沿挑战，愿意接受一定工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活40
使命价值70
薪资福利匹配
75中等
薪资水平在 AI 赛道具有竞争力，但未明确提及福利，且 B 轮公司稳定性相对大厂略低，整体补偿性动机满足较好。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
90较高
职位涉及前沿技术栈（eBPF、GPU、Kubernetes），技术深度和广度均很高，成长空间大，但未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈Kubernetes、GPU、eBPF、NVIDIA Nsight、Operator、云原生
业务类型profit_center
工作生活匹配
40较低
OnCall 值班和高可用要求意味着工作弹性较低，工作强度较大，生活化动机满足有限。
工作模式仅现场办公
办公地点未明确
加班情况JD含高强度暗示词
使命价值匹配
70中等
AI 基础设施对行业有重要支撑作用，属于高速增长赛道，技术贡献度高，但岗位本身偏运维，社会影响力一般。
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