大模型技术支持工程师-火山方舟（北京/杭州/成都）

优缺点分析

角色解读

• 可向大模型基础设施专家或SRE方向深入发展
• 积累大规模GPU集群运维经验后，可转向AI平台架构或云原生开发岗位
• 在字节跳动内部有丰富的技术培训和晋升通道，可向技术管理或专家路线发展
• 接收并处理大模型训练和推理平台的监控告警，按SOP定位和排除故障
• 作为一线OnCall接口人，响应内外部客户的技术支持需求，并做好问题记录和升级
• 负责大规模批量推理任务的日常运维，包括实例扩缩容、流量调配和异常恢复
• 扎实的Kubernetes和云原生运维能力，能独立处理集群故障
• 掌握至少一种公有云平台，了解GPU硬件和异构计算基础
• 熟悉Prometheus/Grafana等监控工具，以及Linux系统和网络知识
• 熟练使用Python/Shell开发自动化脚本，提升运维效率

申请策略

• 在简历中体现对OnCall和轮班制的接受意愿，展现责任心和抗压能力
• 了解火山引擎的产品体系，提前熟悉其容器服务和GPU实例相关文档
• 突出Kubernetes集群运维和故障排查的具体案例，例如处理过的线上事故
• 强调GPU相关经验，如GPU节点健康检查、驱动安装、CUDA版本管理等
• 展示Python/Shell自动化脚本开发成果，如监控告警自动化、故障自愈工具
• 建议深入学习Kubernetes调度和GPU虚拟化技术（如MIG、vGPU）
• 补充大模型训练和推理的基础知识，了解常见的分布式框架（如Megatron、DeepSpeed）

面试指南

• 使用STAR法则（情境-任务-行动-结果）结构化描述故障处理案例
• 对于技术类问题，先讲原理，再结合实际操作经验，最后总结优化建议
• 请描述一次你处理过的Kubernetes集群故障，并说明排查过程
• 如何监控GPU节点的健康状态？你会关注哪些指标？
• 如果大批量推理任务出现异常，你如何快速定位问题并恢复？
• 你如何看待OnCall和轮班制度？你如何平衡工作与生活？
• 回顾Kubernetes核心资源（Pod、Service、Deployment、Node）和常见故障排查命令
• 准备至少一个GPU相关问题的解决案例（如驱动问题、显存溢出等）