腾讯
机器学习平台SRE工程师（深圳/北京）
机器学习平台SRE工程师（深圳/北京）
发布于 4 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
Go
Gpu集群
Sre
分布式系统
性能调优
机器学习平台
自动化运维
值不值得投
77综合评分
综合评分 77
前沿AI技术栈、大厂平台背书、技术成长性强，但工作强度可能较大
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，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
约 1850 个在招 · 其中DevOps/SRE 14 个
市场机会
选择适中
深圳 · DevOps/SRE · 39 个在招
职位详情
关于这个职位
负责腾讯机器学习平台的稳定性保障与架构治理，包括SLA定义、监控告警及故障应急响应
利用AI能力实现运维自动化，并深入参与AI训练链路的性能调优与资源调度管理，确保大规模分布式系统的高效运行
最低要求
计算机相关专业本科及以上学历，2年以上运维开发项目经验
熟练掌握Python/Go/Java/Shell等1至2种以上语言
有大型分布式系统，在离线任务调度与资源管理系统的运维经验，有高并发、高可用、可扩展等相关实践，熟悉Kubernetes生态和架构
具备系统性能调优实战经验，能定位并解决复杂的性能瓶颈问题
熟悉数据库原理，有Mysql、PostgreSQL等DB性能调优、索引优化、慢查询治理经验
具有强烈的工作责任心和自驱力，出色的学习沟通能力与逻辑分析能力，良好的团队合作精神
工作职责
负责机器学习平台的整体 SLA/SLO 定义、监控告警体系建设与故障应急响应，持续提升系统可用性，保障平台各个链路的稳定通畅
负责机器学习平台的架构治理，容灾设计，性能调优
对接AI训练链路、资源调度与存储能力，参与业务和系统的问题排查工作
负责运维运营工作自动化，借助AI能力来解决日常工作问题，包括资源管理、变更管理、故障恢复、用户工具诊断接口/mcp等
优先资格
加分项：
有 LLM / 多模态大模型训练或推理场景的稳定性与性能优化经验
熟悉 Agent / Harness 应用架构与设计理念，有相关系统的研发、部署或运维实践经验
了解机器学习技术原理，了解分布式训练框架（PyTorch、DeepSpeed、Megatron 等）及推理引擎（vLLM、SGLang 等）的调优与使用
参与过 GPU 集群运维，有 NVIDIA GPU、NCCL、RDMA / InfiniBand 高速网络运维调优经验
AI 洞察
优缺点分析
优点
- 接触最前沿的LLM及多模态大模型运维技术，技术栈极具竞争力
- 依托腾讯平台资源，处理高并发、大规模分布式系统问题的机会多
- AI训练链路复杂度高，故障排查难度大，对底层硬件（GPU/NVLink）及网络调优要求极高
- 大厂内部流程规范严格，需适应高强度协作
- 具备扎实后端/运维功底，对AI基础设施感兴趣，追求技术深度与广度，抗压能力强的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI基础设施架构师、高级SRE专家方向发展，深入探索大模型训练推理平台的稳定性与效能优化领域
- 负责机器学习平台的稳定性建设，包括SLA/SLO定义、监控告警体系搭建及故障应急响应
- 精通Python/Go等编程语言，熟悉Kubernetes生态及大型分布式系统运维，具备数据库性能调优能力
申请策略
- 准备1-2个关于复杂故障排查或系统容量规划的具体案例，展示逻辑思维与问题解决能力
- 突出Kubernetes集群管理经验、分布式系统高可用架构设计案例，以及具体的性能调优数据（如QPS提升、延迟降低）
- 补充LLM训练推理框架（如DeepSpeed, vLLM）的原理知识，了解GPU集群网络（RDMA/InfiniBand）的基础运维知识
面试指南
- 采用STAR法则（情境、任务、行动、结果）回答故障排查类问题
- 对于技术问题，先阐述原理，再结合实际场景给出优化方案，最后量化成果
- 请描述一次你处理过的最复杂的线上故障，你是如何定位和解决的？
- 在Kubernetes环境下，如何优化大规模Pod的资源调度与隔离？
- 针对LLM训练任务，如何设计有效的监控指标与告警策略？
- 如何评估和优化MySQL/PostgreSQL在高并发场景下的性能瓶颈？
- 复习Kubernetes核心组件及网络插件原理，梳理分布式系统一致性协议（如Raft/Paxos）基础，了解主流LLM推理引擎的特性
职位点评
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利
85较高
作为已上市的互联网巨头，提供具有市场竞争力的薪酬福利体系，稳定性较高。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位涉及LLM、GPU集群等前沿技术领域，技术成长空间巨大，能接触行业顶尖的技术挑战。
技术前沿前沿/新兴技术
技术栈LLM、Kubernetes、PyTorch、DeepSpeed、vLLM、NVIDIA GPU、RDMA
业务类型profit_center
工作生活
50较低
互联网大厂通常工作节奏较快，JD未提及弹性工作制或WLB相关福利，可能面临一定的工作压力。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
通过技术赋能AI产品体验，推动公司技术创新，具有一定的行业影响力和社会价值。
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
腾讯 的其他在招职位
相似职位推荐
Watch Jobs