小米
高级AI运维工程师
高级AI运维工程师
发布于 2 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
Ai平台运维
Elk
Pytorch
Tensorflow
资源调度
值不值得投
78综合评分
综合评分 78
核心AI基础设施支撑岗，技术前沿且成长空间大，但需承担7×24小时稳定性保障压力。
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
比DevOps/SRE中位数低
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 3290 个在招 · 其中DevOps/SRE 10 个
市场机会
选择面较广
北京 · DevOps/SRE · 53 个在招
职位详情
关于这个职位
该职位负责小米AI平台的整体架构维护与优化，保障7×24小时稳定运行
你需要搭建并管理基于Docker和K8s的AI开发、训练与推理环境，制定计算资源调度策略以优化利用率，并建立完善的监控体系
同时，需与AI研发团队紧密协作，提供技术支持与解决方案，是AI业务背后的核心基础设施保障者
最低要求
计算机相关专业本科及以上学历，具备扎实的计算机基础知识
年以上IT运维工作经验，其中至少2年以上AI平台或大数据平台运维经验，熟悉Linux操作系统的原理与操作，能够熟练进行系统配置、性能调优与故障排查
熟悉主流深度学习框架（TensorFlow、PyTorch等）的基本原理与使用方法，了解AI模型训练、推理的基本流程，具备AI环境部署与管理的实践经验
具备较强的问题分析与解决能力，能够快速定位并解决复杂的系统故障与性能问题，有较强的逻辑思维能力
具备良好的沟通能力与团队协作精神，能够与不同技术背景的团队有效沟通，共同推进项目进展
对AI技术发展趋势保持高度关注，具备快速学习新技术的能力，能够不断提升自身技术水平，适应AI平台运维工作的不断变化
工作职责
负责AI平台的整体架构维护和优化，保障平台7×24小时稳定运行，为AI模型训练、推理及业务应用提供坚实的基础设施支撑
承担AI开发环境、训练环境和推理环境的搭建、部署与管理工作，涵盖TensorFlow、PyTorch、MXNet等主流深度学习框架，以及Docker、Kubernetes等容器化技术的应用与维护，确保AI研发团队能够快速获取并使用标准化、高效能的开发环境
负责AI平台计算资源的调度与分配，通过制定合理的资源管理策略，优化资源利用率，避免资源闲置与浪费，同时保障重要AI训练任务和业务应用的资源优先级
建立完善的AI平台监控体系，运用Prometheus、Grafana、ELK等监控工具实时监控平台运行状态，及时发现并排查系统故障、性能瓶颈等问题，制定应急预案并在故障发生时快速响应，将故障对业务的影响降至最低
与AI研发团队、业务团队紧密协作，深入理解其业务需求，提供针对性的技术支持与解决方案，协助解决AI模型训练、部署过程中遇到的技术问题，同时参与AI平台的需求调研与架构设计，为平台的持续优化提供建议
优先资格
具备大规模AI集群（千级以上服务器）运维经验者优先
拥有CISSP、CISA、Linux认证（RHCE、LPIC等）、云服务认证（AWS Certified DevOps Engineer、阿里云ACP等）者优先
参与过AI平台自动化运维工具或平台的开发与建设，并有成功项目经验者优先
熟悉大数据处理框架（Hadoop、Spark等），具备大数据平台运维经验者优先
AI 洞察
优缺点分析
优点
- 深入接触AI底层基础设施与前沿深度学习框架，技术壁垒高，不易被替代
- 在头部科技企业工作，能积累大规模（千级以上）AI集群的实战经验，履历含金量高
- AI技术迭代极快，需持续学习新的框架与算力调度技术以保持竞争力
- 具备扎实Linux与容器化基础，对AI底层算力调度感兴趣，且抗压能力强、具备优秀故障排查能力的资深运维或SRE工程师
缺点 / 挑战
- 需保障平台7×24小时稳定运行，可能面临突发故障响应与一定的值班压力
角色解读
- 可向AI基础架构专家、SRE技术专家或AI平台技术负责人方向发展
- 随着AI业务扩张，掌握大模型算力调度与集群优化的经验将极具竞争力
- 负责AI平台整体架构维护与优化，保障7×24小时稳定运行
- 搭建并管理基于Docker和K8s的AI开发、训练与推理环境
- 制定计算资源调度策略，优化资源利用率并建立完善的监控体系
- 精通Linux系统配置与性能调优，熟悉TensorFlow、PyTorch等深度学习框架的部署与管理
- 熟练掌握Docker、Kubernetes等容器化技术及Prometheus、Grafana等监控工具
- 具备大规模集群资源调度与故障排查能力
申请策略
- 了解小米在AI大模型及智能汽车等领域的业务布局，思考AI平台如何更好地赋能这些核心业务，在面试中展现业务理解力
- 突出在AI平台或大数据平台运维方面的具体经验，尤其是千级以上服务器集群的管理与资源调度成果
- 详细列出使用Docker、K8s及Prometheus等工具进行环境搭建与监控体系建设的成功案例
- 深入学习大模型（LLM）训练与推理的底层算力需求及分布式调度原理
- 考取或复习RHCE、AWS/阿里云DevOps认证及CISSP等相关资质
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出在复杂系统故障中的逻辑排查思路、资源优化的量化收益（如利用率提升百分比），以及与AI研发团队跨部门协作的沟通策略
- 如何优化Kubernetes集群中GPU资源的调度与分配，避免资源闲置？
- 在AI模型训练过程中，如果遇到节点故障或网络瓶颈，你的排查思路和应急预案是什么？
- 请分享一个你主导的AI平台自动化运维工具开发或监控体系建设的完整案例
- 复习Linux内核参数调优、K8s调度器原理及Prometheus/Grafana的监控指标设计
- 准备1-2个大规模集群运维的踩坑与解决案例，体现解决复杂问题的能力
职位点评
薪资福利85
成长发展90
工作生活50
使命价值80
薪资福利
85较高
岗位对经验和技术要求较高，属于核心技术支撑岗，薪资预期处于市场中上水平，且公司具备完善的福利体系。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位处于AI基础设施核心，能接触到前沿的深度学习框架与大规模集群调度技术，技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈TensorFlow、PyTorch、MXNet、Docker、Kubernetes、Prometheus、Grafana、ELK、Linux、Hadoop、Spark
成长机会对AI技术发展趋势保持高度关注、具备快速学习新技术的能力
业务类型cost_center
工作生活
50较低
岗位明确要求保障平台7×24小时稳定运行及快速响应故障，可能存在一定的值班或突发加班压力，WLB受限。
工作模式未明确
办公地点科技园/产业园
加班情况JD含高强度暗示词
使命价值
80较高
支撑AI大模型训练与推理等前沿业务，属于公司核心战略方向的底层基石，具有较高的技术使命感与行业前景。
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