基础设施与稳定性工程-AI算力资源运营-杭州

优缺点分析

角色解读

• 在阿里集团内部，可向AI基础设施专家或算力资源运营专家方向发展，深入掌握大模型推理的底层技术
• 可横向拓展至推理引擎优化、SRE或云原生基础设施等方向，成为技术架构师
• 随着AI算力需求爆发，该领域人才稀缺，未来可向技术管理或产品化方向发展，如算力平台产品经理
• 作为集团AI业务算力需求的核心对接人，将模型部署需求转化为具体的算力规格（如TPM、MU）和SLO性能指标，并输出可落地的交付方案
• 建立AI算力资源的效能监控体系，围绕GPU利用率等核心指标进行数据分析，识别资源浪费和瓶颈，推动治理方案落地
• 协调应用团队、推理引擎团队与SRE团队，组织方案评审、跟进交付进度，确保服务保质保量上线
• 建立并优化集团内部算力服务流程，利用AI Agent或自动化工具提升服务效率，沉淀最佳实践
• 具备计算机相关专业背景或软件开发、系统运维、资源运营等技术岗位经验，能理解技术架构和系统性能指标
• 熟悉AI行业解决方案、GPU/算力资源管理、推理服务运营，了解大模型（MaaS）业务模式和推理算力特性（如Token计费、并发控制）
• 具备极强的跨部门协调能力和对客服务意识，能将模糊的业务需求拆解为清晰的技术指标和执行计划
• 加分项：熟悉GPU资源效能指标体系，了解vLLM、SGLang等推理引擎基本原理，对AI Agent等大模型应用生态有兴趣

申请策略

• 关注阿里巴巴AI基础设施团队的技术博客或公开分享，了解其技术栈和业务方向
• 在面试中强调对AI算力成本、容量估算的理解，以及跨部门协调的成功案例
• 突出AI算力资源管理、GPU利用率优化或推理服务运营的具体项目经验，量化成果
• 强调跨部门协调和项目管理能力，展示如何推动多方团队达成共识
• 如有vLLM、SGLang等推理引擎使用经验，或AI Agent相关实践，务必重点提及
• 体现对MaaS业务模式的理解，如Token计费、并发控制等
• 提前学习GPU资源效能指标体系（如利用率、显存占用）和推理引擎原理
• 了解AI Agent、skill等大模型应用生态，尝试初步实践

面试指南

• 回答技术问题时，采用STAR法则（情境、任务、行动、结果），突出量化成果
• 对于跨部门协调问题，强调沟通策略、利益平衡和推动共识的方法
• 对于性能优化问题，展示系统性思维，从监控、分析、调优到验证的完整流程
• 如何将业务需求转化为具体的算力规格和SLO指标？
• 描述一次你推动跨部门项目落地的经历，如何解决卡点？
• 如何监控和优化GPU利用率？你有哪些实践经验？
• 谈谈你对大模型推理服务（MaaS）的理解，包括Token计费和并发控制
• 如果发现推理性能下降，你会如何排查和调优？