AI Infra SRE工程师（深圳/北京）

优缺点分析

角色解读

• 技术深度上：可向AI Infra架构师、智能运维专家发展，成为AIOps领域权威
• 管理路径上：可晋升为SRE团队技术负责人或经理，带领团队构建基础设施
• 横向拓展：可转向AI平台研发、云原生架构师或算法工程化方向，拓宽职业边界
• 负责腾讯超大规模大模型服务的SRE体系建设，保障AI平台在高并发、高吞吐场景下的稳定性与服务质量
• 构建覆盖GPU、网络、存储、推理链路的智能运维体系，包括监控、告警、自动化平台和故障自愈能力
• 参与大模型训练与推理平台的部署调优，推动LLMOps/MLOps工程化落地
• 跟踪AI硬件与Infra技术演进，探索AIOps等前沿方向，提升资源利用率和成本效益
• 扎实的Linux和分布式系统基础，熟悉网络、存储和系统调优
• 精通至少一门编程语言（Python/Go），具备自动化平台开发经验
• 熟练掌握Kubernetes、Docker、云原生技术体系，有大规模容器运维经验
• 熟悉LLM、大模型训练推理流程、AI Infra和LLMOps/MLOps技术栈

申请策略

• 深入了解腾讯AI基础设施产品（如TI-ONE、混元大模型），面试时展示对业务的热情与洞察
• 提前准备一个完整的SRE项目案例，包含背景、挑战、解决方案和量化成果
• 突出大型分布式系统或AI平台的SRE/运维经验，量化管理过的集群规模（如GPU节点数、服务QPS）
• 强调自动化运维工具或平台的开发经历，展示Python/Go代码能力
• 提及Kubernetes、Docker容器化实战经验，特别是大规模集群的运维案例
• 如有LLM、模型推理部署相关经验，务必重点描述
• 若缺乏AI Infra经验，可自学NVIDIA GPU运维、TensorRT-LLM推理引擎、Ray框架等
• 补充AIOps相关知识，如异常检测、根因分析、智能告警算法

面试指南

• 使用STAR模型：情境-任务-行动-结果，突出技术深度和系统性思考
• 对于设计类问题：先明确需求和约束，再提出方案，分析优劣，最后给出建议
• 对于优化类问题：从数据驱动出发（监控指标），定位瓶颈，提出具体优化手段，并验证效果
• 请描述一个你处理过的复杂线上故障，你是如何定位根因并恢复的？
• 如何设计一个大规模GPU集群的监控和告警体系？
• 谈谈你对Kubernetes调度策略的理解，如何优化AI训练任务的资源利用率？
• LLM推理服务中，影响时延和吞吐的关键因素有哪些？如何优化？
• 你如何理解SRE中的'错误预算'？在实际中如何应用？