基础设施与稳定性工程-AI资源调度与混部研发工程师-杭州

优缺点分析

角色解读

• 技术专家路线：深耕资源调度与云原生技术，成为领域内的技术专家或架构师
• 技术管理路线：在积累足够技术深度和业务影响力后，可转向技术团队管理岗位
• 设计和开发支撑集团海量业务（从传统业务到AI大模型）的统一资源调度与混部系统，确保资源利用最大化
• 构建高稳定、自动化的基础资源监控、异常检测与自愈平台，保障业务服务等级目标（SLO）
• 参与云原生基础设施的长期规划与演进，通过技术手段持续降低集团IT成本
• 精通Go语言及算法设计，对计算机体系结构、Linux系统和网络有深刻理解
• 具备大规模分布式系统的实战开发经验，熟悉Kubernetes、云原生生态及资源调度原理
• 拥有优秀的系统化思维与跨团队沟通协作能力，能全链路分析和解决复杂业务问题
• 对Linux内核、GPU集群、异构计算等有深入了解者优先

申请策略

• 研究阿里巴巴在云原生、AI基础设施（如PAI-ElasticDL）方面的公开技术博客和论文，面试时能体现你对业务和技术方向的理解
• 准备一个能体现你“跨多个团队协同解决业务问题”的STAR案例，这正是JD中强调的软技能
• 突出使用Go语言开发的分布式系统或中间件项目经验，特别是涉及资源调度、容器编排的方面
• 详细描述参与过的与Kubernetes、云原生、DevOps或大规模集群管理相关的项目，阐明你的角色和具体贡献
• 列举解决过的复杂技术难题案例，体现你的系统化思维、全链路分析能力和跨团队协作成果
• 深入研究Kubernetes的调度器架构、GPU调度（如vGPU）、以及混部技术（如Göpper, Borg）
• 加强在Linux内核（尤其是Cgroups、Namespace）、容器运行时（如containerd）和高性能网络方面的知识
• 了解云原生可观测性体系（Prometheus, Grafana等）和AIOps相关算法与实践

面试指南

• 对于系统设计类问题，采用“背景-目标-方案-取舍-结果”的框架，重点阐述你做出的关键技术决策及其原因
• 对于故障排查类问题，遵循“监控指标确认-日志/链路分析-假设与验证-根因定位-修复与预防”的逻辑链
• 所有回答尽量结合具体的技术名词和项目数据，展现深度和实操经验
• 请描述一个你设计过的资源调度或混部系统的案例，你是如何平衡资源利用率、服务稳定性和业务需求的？
• 如何在大规模的Kubernetes集群中高效地调度GPU任务，并处理异构硬件带来的挑战？
• 如果线上某个核心服务的SLO持续不达标，作为平台研发，你会如何诊断和解决问题？
• 你如何设计一个系统来自动检测和修复容器环境中的资源泄漏或异常？
• 混部系统在将在线业务和离线AI任务混合部署时，需要解决哪些关键的技术难题？