阿里巴巴
Token Foundry-大模型训练Infra工程师-容器Infra方向
Token Foundry-大模型训练Infra工程师-容器Infra方向
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公DevOps/SRE
DevOps/SRE
Go
Gpu调度
云原生
分布式系统
大模型训练
容器技术
资源调度
镜像加速
值不值得投
71综合评分
综合评分 71
大厂前沿技术岗，技能成长快，WLB未明确，薪资有市场竞争力。
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
23K
比DevOps/SRE中位数低
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 2250 个在招 · 其中DevOps/SRE 12 个
市场机会
选择适中
杭州 · DevOps/SRE · 21 个在招
职位详情
关于这个职位
负责基于 Kubernetes 构建面向大模型训练的容器化基础设施，研发 GPU 拓扑感知调度、任务编排与资源效率体系，以支持千卡/万卡级作业的快速拉起与高吞吐运行
工作涵盖镜像加速、存储网络优化及多集群弹性对接，是保障大模型训练可靠性的核心技术岗位
最低要求
计算机、软件工程等相关专业本科及以上学历，2 年以上容器、云原生或大规模基础设施研发经验
熟练掌握 Go 语言，具备扎实的 Linux 系统基础（网络栈、文件系统、cgroups、进程管理），有复杂分布式系统的调试与问题定位能力
对 Kubernetes 架构有深入理解，熟悉 Controller / Operator / Scheduler 扩展开发与 CRD / API 扩展机制，有自定义调度器或控制器研发经验
了解容器 Runtime（containerd / CRI）原理
具备以下至少一个方向的深度实践经验：
a. 大规模 GPU 调度与资源效率（拓扑感知、Gang 调度、配额管理，如 Koordinator、Volcano、Kueue 等）
b. 训练 / AI 任务编排与作业生命周期管理（Kubeflow Training Operator、JobSet 等）
c. 容器镜像加速与分发（Dragonfly、Nydus、Overlaybd 等）或多集群 / 跨域算力接入（Karmada、Cluster API 等）
了解大模型训练的资源特征（GPU 拓扑、通信模式、Checkpoint 等），有 AI Infra 相关工程经验者优先
良好的工程素养与协作沟通能力，能在快迭代、多团队协作的训练 Infra 场景中稳定交付
工作职责
基于开源 Kubernetes 构建面向大模型训练的容器化基础设施增强能力，研发 GPU 拓扑感知调度、Gang 调度、资源碎片治理与利用率提升，保障千卡 / 万卡级作业的快速拉起与高吞吐运行
研发面向训练作业的任务编排与作业管理能力（作业生命周期管理、作业全链路追踪等自定义控制器），支撑预训练、RL、评测多场景任务的可靠调度与快速恢复
建设训练算力的资源效率体系，负责容量规划、资源配额预分配与预检、按水位的动态分配 / 变更 / 释放，治理任务间资源争抢，并解决跨集群 Checkpoint 迁移等人工低效问题
建设训练镜像加速（镜像构建、分层与压缩、按需加载、P2P、Region 级缓存与预热）与容器存储 / 网络优化能力，缩短作业启动与数据加载时延
负责多集群、多算力池的接入与弹性对接（AI 算力池对接、GPU 多地域弹性），建设环境工程（跨域网络、环境交付、可用性巡检），沉淀可复用平台能力与自动化运维
优先资格
有 AI Infra 相关工程经验者优先
AI 洞察
优缺点分析
优点
- 技术栈前沿，直接参与大模型训练基础设施建设，能积累AI Infra深度经验
- 在大平台有大规模实践机会，资源充足，能接触复杂系统设计
- 技术难度高，需要深入理解分布式系统和GPU资源管理，学习曲线陡峭
- 可能面临高并发和实时性要求，工作强度较大，需适应快节奏
- 适合有扎实计算机基础、对云原生和AI Infra充满热情、喜欢攻克复杂技术难题的工程师
缺点 / 挑战
- 工作有挑战性，能快速提升技术能力和问题解决能力
- 多团队协作频繁，对沟通和协调能力要求较高
角色解读
- 晋升为高级Infra工程师或架构师，专注于AI基础设施领域
- 转向技术管理，带领团队负责更大规模的集群管理和平台建设
- 深入研究前沿技术，如异构计算、智能调度算法，推动创新突破
- 设计和开发基于Kubernetes的容器化基础设施，优化GPU调度和资源管理，以支持大规模模型训练
- 研发任务编排和作业生命周期管理，确保预训练、RL等多场景任务的可靠运行
- 建设资源效率体系，进行容量规划和动态资源分配，解决资源争抢和迁移问题
- 实现镜像加速和存储网络优化，缩短作业启动时延，提升整体训练效率
- 精通Go语言和Linux系统，熟悉Kubernetes架构及扩展开发，具备分布式系统调试能力
- 有GPU调度、容器镜像加速或多集群管理的深度实践经验，了解相关开源工具
- 理解大模型训练的资源特征，如GPU拓扑和Checkpoint，有AI Infra工程背景优先
申请策略
- 研究阿里巴巴在AI Infra和容器技术上的公开分享，了解业务方向和技术栈
- 准备项目案例时，注重展示从问题分析到解决方案的完整思路
- 突出Go语言和Kubernetes开发经验，列举相关项目成果，如调度器优化或资源管理工具
- 展示在GPU调度、容器加速或分布式系统方面的实践，强调技术深度和解决问题的实例
- 强调在快迭代环境中的协作能力，如参与跨团队项目或开源贡献
- 深入学习Kubernetes调度器、控制器扩展机制及CRD开发，阅读相关源码
- 实践大模型训练任务编排，熟悉Kubeflow、Volcano等工具，提升实操经验
面试指南
- 使用STAR法则（情境、任务、行动、结果）组织回答，突出个人贡献和成果
- 技术问题结合具体项目细节，阐述设计原理、挑战和优化效果
- 展示对系统架构的宏观思考，如可扩展性、可靠性和效率平衡
- 请描述你在Kubernetes调度器扩展方面的经验，如何实现GPU拓扑感知调度？
- 如何解决大规模训练作业中的资源碎片问题？请举例说明
- 谈谈你对容器镜像加速的理解，有哪些实践经验或优化思路？
- 在分布式系统中，遇到性能瓶颈时你会如何调试和定位问题？
- 你对大模型训练的资源特征有什么了解？如何影响基础设施设计？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值75
薪资福利
70中等
职位在大厂平台，薪资可能具有市场竞争力，但未披露具体数字，需面试确认。
薪资信号未披露（AI估算：15K-30K/月）
成长发展
85较高
涉及前沿的大模型训练基础设施，技术深度要求高，技能成长空间大，能接触大规模实践。
技术前沿前沿/新兴技术
技术栈Kubernetes、Go、GPU调度、AI Infra
业务类型ambiguous
工作生活
50较低
JD未明确工作模式或WLB相关信息，基于行业经验可能强度较高，但无直接依据。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
大模型训练是AI领域的核心基础设施，行业高速增长，推动技术发展有间接社会价值。
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
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs