阿里巴巴
AI Infra测试开发工程师-存储方向
AI Infra测试开发工程师-存储方向
发布于 大约 16 小时前普通员工/个人贡献者
杭州市 / 成都市
高级经验
全职员工
仅现场办公
本科
测试开发
Ai Infra
CI/CD
Go
Pytest
分布式系统
存储系统
性能测试
AI 估算 · 30k–60k
职位详情
关于这个职位
该职位负责构建AI基础设施中存储系统的质量保障体系，包括测试框架开发、性能分析与故障注入等，确保大规模训练和推理场景下的稳定性和性能
你将与研发团队紧密合作，推动质量内建，适合对分布式系统和AI技术栈有深入理解、具备自动化测试和性能调优经验的工程师
最低要求
核心技术栈能力
具备 AI 全栈测试经验：熟悉 GPU 驱动、编译器、算子库、深度学习框架及容器化调度工具链的质量保障流程
具备云产品、分布式系统测试经验优先，举例如：
例1：深入理解块存储原理，有 iSCSI/NVMe-oF 或云盘类产品测试经验者优先
例2：熟悉 对象存储协议（S3/OSS），了解分片上传、生命周期管理及元数据性能调优
例3：精通高性能并行文件存储（如 Lustre, GPFS, CephFS, JuiceFS 等），理解客户端缓存、条带化策略及元数据服务器架构，有大模型训练数据存储优化经验者优先
测试设计与执行
擅长设计覆盖边界条件、异常场景（如节点宕机、网络分区、磁盘满、元数据风暴）的测试用例，确保系统在极端工况下的鲁棒性
能够构建复杂的存算耦合场景，验证数据不同系统和内存等流转过程中的正确性与效率
性能分析与调优
熟练使用专业工具（iostat, fio, perf, nvprof, Nsight Systems 等）进行全链路性能剖析
能够独立输出数据驱动的性能瓶颈分析报告，针对 IO 等待、元数据延迟、带宽饱和等问题提出具体的架构或参数优化建议
精度与一致性验证
掌握数值精度验证方法，能识别因存储介质错误或传输压缩导致的静默数据损坏（Silent Data Corruption）
具备跨版本、跨平台的功能与性能差异对比分析能力
工程开发与工具链
精通 Python (pytest)或 Go/C++ (GoogleTest)，具备开发大规模自动化测试脚本、数据生成器及故障注入工具的能力
熟悉 CI/CD 流水线集成，有开发自定义 Jenkins/GitLab CI Plugin 或 K8s Test Operator 经验者优先
问题定位与调试
熟练运用 GDB, Valgrind, eBPF, 日志分析系统及内核追踪工具，具备在复杂分布式环境下精准定位 存储服务端与 AI 客户端 交互缺陷的能力
能力特质：
具备强烈的质量主人翁意识，对系统稳定性有敬畏心，具备出色的系统性思维，能从全链路视角设计测试防护网
具备快速学习新技术的能力，并乐于将前沿AI Infra动态转化为质量保障实践
具备优秀的跨团队沟通与推动力，能在复杂协作中建立质量共识，面对模糊性和高压时，保持务实、冷静、结果导向
工作职责
质量体系构建
构建针对AI infra 的各种存储系统的专项质量防线
重点验证系统在多种计算和GPU形态下，训练，推理和Agent场景下的规模、多租户隔离、数据强一致性、稳定系与故障自愈、以及元数据与数据性能等方面的表现
自动化与工程化能力建设
框架与门禁：主导自动化测试框架演进与 CI/CD 回归体系建设，建立涵盖功能、性能、稳定性的多维度质量门禁（Release Gate）
复杂环境编排：搭建可复现、弹性伸缩的测试基线环境，支持""各类计算形态+ 存储类型""的矩阵式组合验证，覆盖单机至千卡万卡集群规模
场景化系统验证
端到端负载验证：针对大模型训练（Checkpoint 频繁写入/加载）与推理（模型权重快速分发）典型负载，开展稳定性、性能（吞吐/延迟/IOPS）、精度三位一体的系统级验证
存算协同优化：如深入分析在高并发读取下的带宽瓶颈，在预训练数据集加载中的缓存效率，以及 IO 抖动问题等，通过根因定位推动软硬件协同缺陷闭环
方法论沉淀与效能赋能
资产标准化：提炼通用的存储压力测试模型、数据一致性校验工具及故障注入脚本，形成标准化的 AI Infra 测试方法论
质量内建：赋能研发团队，通过左移测试策略，加速从底层存储引擎到上层 AI 应用栈的高质量迭代
AI 洞察
优缺点分析
优点
- 阿里巴巴平台大，技术积累深厚，能接触到前沿AI基础设施
- 岗位涉及存储、AI、分布式系统等多个领域，技术成长空间大
- 薪资福利有竞争力，大厂稳定性高
- 技术栈要求高，需要持续学习新技术
- 跨团队协作多，需要较强的沟通和推动能力
缺点 / 挑战
- 工作强度可能较大，需要应对复杂的技术挑战和高压环境
- 适合对AI基础设施和存储系统有浓厚兴趣，具备扎实测试开发功底和性能调优经验，能适应快节奏、高压力的工程师
角色解读
- 可向AI基础设施测试专家或技术管理方向发展
- 可深入存储系统底层，成为存储测试领域的专家
- 有机会参与前沿AI技术（如大模型训练）的质量保障，提升技术视野
- 构建AI基础设施中存储系统的质量保障体系，包括测试框架开发、自动化测试、性能测试和故障注入等
- 针对大模型训练和推理场景，验证存储系统的稳定性、性能和一致性，确保系统在极端工况下的鲁棒性
- 与研发团队协作，推动质量内建，通过左移测试策略加速迭代
- 精通Python、Go或C++，熟悉pytest、GoogleTest等测试框架
- 熟悉分布式存储系统（如Ceph、Lustre、JuiceFS）和云存储协议（S3/OSS）
- 具备性能分析能力，熟练使用iostat、fio、perf等工具
- 了解GPU、深度学习框架和容器化调度（如Kubernetes）的质量保障
申请策略
- 了解阿里巴巴AI基础设施的业务方向，在面试中展示对存储和AI结合的理解
- 准备实际项目案例，说明如何解决存储性能或稳定性问题
- 突出AI相关测试经验，如GPU、深度学习框架、分布式系统测试
- 强调存储系统测试经验，如块存储、对象存储、并行文件系统
- 展示自动化测试框架开发和性能调优的成果
- 深入学习分布式存储原理和AI基础设施架构
- 熟悉性能分析工具（如fio、perf）和故障注入方法
- 掌握Kubernetes和CI/CD流水线集成
面试指南
- 使用STAR法则：情境、任务、行动、结果
- 强调数据驱动和根因分析
- 展示系统性思维和跨团队协作能力
- 请描述一次你如何设计并执行一个针对分布式存储系统的性能测试
- 如何验证大模型训练中Checkpoint写入的稳定性？
- 你如何定位一个IO抖动问题？请举例说明
- 如何设计测试用例覆盖存储系统的异常场景？
- 你如何推动研发团队解决测试中发现的质量问题？
职位点评
73
综合评分
阿里AI基础设施测试开发，技术前沿，薪资竞争力强，但工作强度可能较大。
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。
更适合这类人
适合追求技术成长和前沿领域，对工作生活平衡要求不高，能承受一定工作压力的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利
80较高
阿里巴巴作为大厂，薪资福利有竞争力，但JD未明确具体薪资，需面议。
薪资信号面议 (30K-60K/月)
成长发展
90较高
岗位涉及前沿AI基础设施和存储技术，技术成长空间大，但JD未提及晋升路径。
技术前沿前沿/新兴技术
技术栈AI Infra、GPU、分布式存储、Ceph、Lustre、Kubernetes、Python、Go
业务类型ambiguous
工作生活
40较低
工作地点在成都或杭州，但JD未提及弹性工作或远程，可能需现场办公，且大厂工作强度可能较大。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
AI基础设施是高速增长赛道，对推动AI发展有积极意义，但JD未提及具体社会价值。
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
Watch Jobs