海尔
MLOps/LLMOps工程师
MLOps/LLMOps工程师
发布于 9 小时前普通员工/个人贡献者
全职员工仅现场办公DevOps/SRE
DevOps/SRE
Llmops
Mlops
Volcano
大模型
异构算力调度
模型部署
值不值得投
72综合评分
综合评分 72
上市巨头核心AI基建岗，技术前沿且成长空间大，薪资具备区域竞争力，但WLB情况未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
3.5万
与DevOps/SRE中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
85 个在招
市场机会
选择不多
青岛 · DevOps/SRE · 4 个在招
职位详情
关于这个职位
负责海尔MLOps/LLMOps平台研发流程体系搭建与工具链开发，涵盖模型全生命周期管理、自动化数据管线、训练调度及推理部署优化
推动大模型研发运营一体化解决方案落地，保障自动化流程稳定高效运行
最低要求
计算机、软件工程等相关专业硕士及以上学历，5年以上平台工程或DevOps/MLOps领域工作经验，其中至少2年LLMOps或大模型研发流程自动化建设经验，有支撑多领域模型训练/微调的工具链交付经历
深入理解模型全生命周期管理，精通MLOps/LLMOps平台架构设计，有模型服务化封装、API标准化及多租户能力落地的实操经验，能设计高可用、可扩展的研发运营一体化平台
熟练掌握自动化数据管线构建、训练任务编排与调度、模型版本管理与灰度发布、推理服务弹性扩缩容等核心工具链开发，精通Kubernetes及主流AI调度器（如Volcano），有异构算力环境下训练任务调度与推理部署优化的工程经验
深刻理解自动化流程的稳定性与可用性要求，掌握全链路监控与告警体系建设，能主动识别并解决流程瓶颈（如任务调度异常、资源分配失衡、服务降级等），保障训练与推理任务的高通量运行
极强的跨团队协作能力，能驱动算法、工程、产品等多方将MLOps/LLMOps方案高效落地
优秀的文档撰写与流程规范沉淀习惯，能用清晰的规范固化流程设计
良好的问题响应与应急处理能力，能快速恢复流程异常保障研发连续性
工作职责
负责MLOps/LLMOps平台研发流程体系搭建，包括模型全生命周期（数据准备→训练→微调→评测→部署→监控）的流程规范制定与服务规划
深度参与模型开发平台的模型服务化封装、API标准化及多租户能力落地，推动大模型训练-推理-迭代闭环的流程机制建设
开发MLOps/LLMOps工具链，包括自动化数据管线、训练任务编排与调度、模型版本管理与灰度发布、推理服务弹性扩缩容等，提升大模型研发迭代效率
重点攻关异构算力环境下训练任务调度、推理服务部署优化等工程难题，支撑多模型并行管理与资源动态调度需求
维护自动化流程稳定运行，建立流程监控与告警机制，解决流程运行中的异常问题
根据业务反馈持续优化工具链能力与流程效率，确保模型上线、迭代、运维全链路顺畅，保障自动化流程可用率达标
跟踪自动化流程运行效果与模型服务表现，推动MLOps/LLMOps经验沉淀与流程规范建设，促进共性工具能力复用，形成可复用的技术规范与最佳实践
推进MLOps/LLMOps关键技术在业务场景中的示范应用，形成可复制推广的大模型研发运营一体化解决方案
AI 洞察
优缺点分析
优点
- 处于大模型与LLMOps技术前沿，能积累稀缺的AI基础设施工程经验
- 依托上市巨头的丰富业务场景，有充足的机会将技术转化为实际生产力
- 平台级研发工作有助于培养全局架构视野与复杂系统解决能力
- 大模型训练与推理对算力调度要求极高，异构环境下的工程优化难度大
- 适合具备扎实云原生与DevOps基础，且对大模型底层基建有强烈兴趣，希望在AI平台工程领域深耕的高级技术人才
缺点 / 挑战
- 需要频繁跨团队协作（算法、工程、产品），沟通与推动落地的成本较高
角色解读
- 从MLOps/LLMOps工程师向AI平台架构师或技术专家方向发展
- 随着大模型技术的普及，可转型为AI基础设施负责人或大模型商业化落地技术总监
- 搭建并维护MLOps/LLMOps平台，管理模型从数据准备到部署监控的全生命周期
- 开发自动化数据管线、训练调度及推理部署工具链，解决异构算力环境下的工程难题
- 建立流程监控与告警机制，保障大模型研发运营一体化流程的稳定与高效
- 精通Kubernetes及Volcano等AI调度器，具备异构算力环境下的任务调度与部署优化经验
- 深入理解模型全生命周期管理，有模型服务化封装、API标准化及多租户架构设计能力
- 具备全链路监控与告警体系建设能力，能主动识别并解决流程瓶颈
申请策略
- 了解海尔集团在智能家居、工业互联网等领域的AI应用场景，面试时可结合具体业务探讨MLOps的落地价值
- 突出在Kubernetes、Volcano等调度器上的实操经验，特别是异构算力环境下的优化案例
- 详细展示参与过的MLOps/LLMOps工具链开发项目，强调模型全生命周期管理的落地成果
- 体现跨团队协作能力，说明如何驱动算法与产品团队将平台方案高效落地
- 深入学习大模型微调与推理加速技术，以更好地理解算法团队需求并优化底层调度
- 熟悉主流大模型评测体系与数据管线构建工具，提升端到端自动化能力
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术难点与量化收益
- 对于架构设计问题，从需求分析、技术选型、核心模块设计到容灾与扩展性进行系统性阐述
- 在异构算力环境下，你是如何优化训练任务调度与推理服务部署的？
- 请分享一个你主导的MLOps/LLMOps工具链开发项目，遇到了哪些工程难题及解决思路？
- 如何设计高可用、可扩展的多租户模型服务平台？
- 当训练任务出现资源分配失衡或服务降级时，你的监控与告警体系是如何响应的？
- 复习Kubernetes底层原理及Volcano调度器的核心机制，准备相关的性能调优案例
- 梳理大模型研发流程中的痛点，思考如何通过MLOps工具链进行针对性解决
职位点评
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利
75中等
作为上市巨头企业，薪资福利体系完善，5年高级经验在青岛市场具备较强竞争力，但整体薪资上限可能略逊于一线城市互联网大厂。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
85较高
岗位聚焦LLMOps与大模型基建，技术栈前沿，且依托巨头丰富的业务场景，能提供极佳的技术深度与广度成长空间。
技术前沿前沿/新兴技术
技术栈MLOps、LLMOps、Kubernetes、Volcano、大模型、自动化数据管线
业务类型cost_center
工作生活
50较低
JD未明确提及工作模式与加班情况，但核心研发与平台基建岗位通常面临一定的交付压力，WLB情况需进一步确认。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
大模型技术属于当前高速增长赛道，岗位致力于推动AI技术在业务场景的示范应用与落地，具有一定的行业推动价值。
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