阿里巴巴
阿里云智能-AI Infra 高级 SRE-杭州
阿里云智能-AI Infra 高级 SRE-杭州
发布于 3 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 Infra
Go
Gpu集群
Rdma
Roce
Sre
异构计算
值不值得投
76综合评分
综合评分 76
核心AI Infra岗位，技术前沿且成长空间大，薪资竞争力强，但运维保障压力较大。
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 3430 个在招 · 其中DevOps/SRE 27 个
市场机会
选择适中
杭州 · DevOps/SRE · 44 个在招
职位详情
关于这个职位
该职位负责阿里云AI基础设施（如GPU/异构计算集群）的交付、上线与日常运维，保障系统稳定运行
你需要参与运维平台建设，优化SLI/SLO/SLA机制，并通过自动化工具提升交付效率，协同多方推进项目落地
最低要求
年及以上互联网、云计算或数据中心基础设施运维经验
熟悉 Linux 操作系统、TCP/IP等基础技术，具备较强的系统、网络和性能问题排查能力
熟悉 Kubernetes、Slurm、LSF 等一种或多种集群调度系统，了解容器运行时、资源调度和任务生命周期管理
了解 GPU、RDMA/RoCE/InfiniBand、高性能存储等 AI 基础设施关键技术，能够定位常见软硬件故障
掌握 Python、Shell、Go 等至少一种编程语言，能够将运维经验沉淀为自动化工具或平台能力
具备技术热情和好奇心，自驱力和学习力强
具备良好的分析与解决问题的能力
具备良好的沟通协作和项目推进能力，能够独立承担中等复杂度项目及跨团队保障任务
积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破
掌握AI基础知识，掌握基础提示词工程，会使用AI专业工具，集成AI到个人工作流
工作职责
负责 GPU/异构计算集群的交付、上线、变更和日常运维，保障AI Infra稳定运行
参与 AI 基础设施运维平台建设，推动监控告警、故障诊断、故障自愈和变更管理等能力落地
建立并持续优化 SLI、SLO、SLA 和应急响应机制，参与重大故障处置、复盘及改进闭环
制定集群交付标准和运维规范，通过自动化工具与平台减少重复操作，提升交付效率和资源可用率
协同研发、硬件厂商及内外部合作伙伴推进项目交付，识别并解决项目中的稳定性和效率问题
主动发现系统风险和运维痛点，能够独立分析问题、推动改进并对结果负责
优先资格
具有 GPU 集群、AI 训练平台或大规模计算集群经验者优先
有AI相关开发工具应用研发经验者优先
持有阿里云ACA/ACP/ACE认证证书者优先
AI 洞察
优缺点分析
优点
- 接触行业最前沿的AI算力基础设施，积累大规模GPU集群运维的稀缺经验
- 依托头部云计算平台，能参与建设顶级的运维自动化与故障自愈体系
- 技术栈深且广，需持续学习底层硬件、网络协议及容器调度等复杂技术
- 适合具备扎实系统网络基础、对AI算力底层技术有热情，且抗压能力强的运维/系统工程师
缺点 / 挑战
- AI大模型训练对算力稳定性要求极高，重大故障排查和应急响应压力较大
角色解读
- 纵向可发展为SRE专家或AI Infra架构师，深入底层算力调度与大规模集群管理
- 横向可向AI平台研发、云计算基础架构管理或技术管理方向转型
- 负责GPU及异构计算集群的交付、上线与日常运维，确保AI基础设施的高可用与稳定运行
- 参与运维平台建设，落地监控告警、故障自愈等自动化能力，优化SLI/SLO/SLA指标
- 协同研发、硬件厂商等多方推进项目交付，制定运维规范并解决系统稳定性痛点
- 扎实的Linux、网络基础及Kubernetes/Slurm等集群调度系统运维经验
- 熟悉GPU、RDMA/RoCE/InfiniBand等AI基础设施底层技术，能定位软硬件故障
- 掌握Python/Shell/Go等编程语言，具备将运维经验转化为自动化工具的开发能力
申请策略
- 了解阿里云在AI Infra领域的最新产品（如灵骏集群）及技术博客，展现对业务的关注
- 突出大规模集群（尤其是GPU/AI训练集群）的交付与运维经验，量化保障的SLA指标
- 展示使用Python/Go开发自动化工具或参与运维平台建设的实际项目成果
- 深入学习RDMA/RoCE/InfiniBand等高性能网络技术及Slurm/K8s调度原理
- 补充AI大模型训练的基础知识及提示词工程，熟悉主流AI开发工具链
面试指南
- STAR法则：情境-任务-行动-结果，重点突出排查思路、工具使用和最终恢复时间（MTTR）
- 架构思维：从监控发现、根因分析、止血恢复、长期改进（自动化/平台化）四个维度回答
- 在GPU集群运维中，遇到过最复杂的软硬件故障是什么？你是如何排查和解决的？
- 如何设计一套针对AI训练任务的监控告警与故障自愈机制？
- 请谈谈你对RDMA/RoCE网络的理解，以及在AI集群中如何排查网络性能瓶颈？
- 当训练任务因底层资源问题中断时，你的应急响应流程和复盘改进机制是怎样的？
- 复习Linux内核、网络协议栈及K8s/Slurm底层原理，准备1-2个深度的故障排查案例
- 了解阿里云AI基础设施的相关架构和业界主流的GPU集群运维最佳实践
职位点评
薪资福利85
成长发展90
工作生活40
使命价值80
薪资福利
85较高
该岗位涉及核心AI基础设施，技术门槛高，薪资竞争力强，福利体系完善。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
90较高
岗位聚焦AI Infra与GPU集群等前沿技术，能深度参与大规模算力底座建设，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈GPU、Kubernetes、Slurm、RDMA、RoCE、InfiniBand、Python、Go、Linux
业务类型cost_center
工作生活
40较低
JD未明确提及工作模式与WLB，但AI基础设施运维需保障高可用，且明确要求坚韧抗压，工作节奏可能较快。
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大模型时代的算力底座，推动人工智能技术发展，具有较高的行业前景与技术使命感。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs