阿里巴巴
AI Infra高性能网络研发工程师
AI Infra高性能网络研发工程师
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网络工程
网络工程
Ai Agent
Cuda
Go
Rdma
Roce V2
Tcp/Ip
拥塞控制
集合通信
值不值得投
80综合评分
综合评分 80
核心AI算力网络岗，技术前沿且成长空间极大，薪资优厚，但需承担高可用保障的高压挑战。
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
5万
比网络工程中位数高
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 3130 个在招 · 其中网络工程 10 个
市场机会
选择适中
杭州 · 网络工程 · 22 个在招
职位详情
关于这个职位
该职位负责千卡/万卡级AI训练集群的网络架构设计与优化，通过RDMA、拥塞控制等技术提升集群线性加速比
同时探索AI Agent驱动的智能运维，解决复杂网络疑难问题，保障大模型训练的高可用性
适合具备深厚网络底层技术与CUDA编程经验的高级研发人才
最低要求
计算机、通信、电子工程等相关专业
精通集合通信原理，精通CUDA编程，有AllReduce、All2All、Allgather等集合通信算子开发经验
精通TCP/IP协议栈，深刻理解RDMA (RoCE v2)、PFC、ECN、DCQCN等流控与拥塞控制机制
熟悉主流网络设备（如NVIDIA/Mellanox, Broadcom等）的架构与配置
具备扎实的编程能力（Python/Go/C++），有网络自动化开发或内核网络栈修改经验者极佳
具备极强的逻辑分析能力，善于使用抓包工具、遥测数据定位深层次网络问题，能在高压下快速恢复业务
对技术充满热情，具备良好的沟通协作能力和文档撰写习惯，拥有严谨的工程思维
拥抱AI思维，对AI带来的技术变革保持敏锐好奇心，对试用AI提升平台研发、网络Infra运维效率与优化有学习热情，愿意探索“AI+网络”的无限可能
能快速学习并运用AI编程助手提升研发效率，具备开放的技术视野，并乐于探索人机协同解决复杂工程问题的新模式
了解大模型/AIOps/机器学习/深度学习的基本原理，对AI模型训练、推理、Agentic-AI等核心概念有基本认知，不局限于特定领域应用
对AI技术在网络Infra中的应用有浓厚兴趣，无论是“AI+运维”、“AI+数据分析”、“AI+Coding”，还是其他创新方向，都愿意通过代码实践去验证想法，从0到1探索技术边界
工作职责
智算网络架构设计与演进：负责千卡/万卡级AI训练集群的网络架构规划与设计，主导基于RoCE v2、Solar/Stellar等高性能网络技术的落地，确保低延迟、高吞吐的网络环境以支撑大模型训练效率
高性能网络优化：深入分析分布式训练中的网络瓶颈，通过拥塞控制算法调优、流量调度策略优化、网卡参数微调等手段，极致提升集群线性加速比
自动化运维体系构建：设计并实施网络自动化、智能化运维方案，利用AI Agent驱动实现配置管理、故障自愈及性能监控，构建可观测性极强的智能网络运维平台
前沿技术探索与落地：跟踪业界最新网络硬件（如1.6Tbps RDMA网卡和DPU）及协议标准（RDMA、PCIe、NVLINK、ETH+等），推动新技术在现网中的验证与规模化部署
跨部门协同与故障攻坚：与算法、系统、存储团队紧密协作，解决复杂场景下的网络疑难杂症，保障核心业务99.99%的高可用性
优先资格
有ACM/NOI/IOI等编程大赛获奖经历者优先
有主导开源项目（star > 1K)经验者优先
有CCF-A类会议和期刊论文者优先
有大型数据中心网络建设运维经验，有RDMA协议设计经验，或有NCCL/DeepEP/MPI等通信库研发经验者优先
AI 洞察
优缺点分析
优点
- 依托庞大的算力集群和真实业务场景，技术落地反馈快，成果能直接支撑大模型训练效率
- 团队技术氛围浓厚，接触业界顶尖的网络硬件（如1.6Tbps RDMA网卡）和协议标准
- 技术栈极深，涉及硬件、内核协议栈、CUDA及分布式通信库，学习曲线陡峭
- 适合对底层网络技术有极致追求、具备扎实C++/CUDA功底，且渴望在AI算力基础设施领域深耕的高级研发人才
缺点 / 挑战
- 处于AI大模型爆发的核心基础设施层，技术前沿且极具挑战，能积累万卡集群网络设计的稀缺经验
- 大模型训练对网络稳定性要求极高（99.99%），故障排查压力大，需具备极强的高压抗压能力
角色解读
- 纵向可成长为网络基础架构领域的技术专家或首席科学家，主导万卡集群网络演进
- 横向可拓展至AI系统架构、高性能计算或大规模分布式系统方向
- 负责千卡/万卡级AI训练集群的网络架构设计与演进，落地RoCE v2等高性能网络技术
- 深入分析分布式训练的网络瓶颈，通过拥塞控制和流量调度优化集群线性加速比
- 构建基于AI Agent的智能网络运维平台，实现故障自愈与性能监控
- 精通TCP/IP协议栈及RDMA (RoCE v2) 等底层网络协议，熟悉拥塞控制机制
- 精通CUDA编程与集合通信原理，具备AllReduce等算子开发经验
- 扎实的C++/Go/Python编程能力，有内核网络栈修改或网络自动化开发经验
申请策略
- 提前了解阿里在智算网络（如Solar/Stellar）方面的技术博客和开源项目，面试时展现对阿里技术栈的熟悉度
- 突出在大型数据中心网络建设、RDMA协议设计或NCCL等通信库研发中的核心贡献与量化成果
- 展示CUDA编程及集合通信算子开发经验，若有ACM/IOI获奖或CCF-A论文、高星开源项目务必前置
- 强调使用抓包工具、遥测数据定位深层次网络问题的实际案例，体现极强的Troubleshooting能力
- 深入复习RDMA/RoCE v2协议细节及DCQCN等拥塞控制算法，准备底层原理的深度拷问
- 了解AI Agent在AIOps中的最新应用，准备'AI+网络运维'的创新思路或实践案例
面试指南
- STAR法则：针对网络优化或故障排查问题，按照情境（集群规模/业务背景）、任务（目标加速比/SLA）、行动（协议分析/代码调优/工具使用）、结果（性能提升百分比/故障恢复时间）来结构化回答
- 底层原理+工程实践：回答协议或算法问题时，先阐述底层机制（如DCQCN的反馈控制原理），再结合现网配置或代码修改说明工程落地细节
- 在分布式训练中，如何通过RDMA和拥塞控制算法优化集群的线性加速比？请结合具体案例说明
- 请详细描述TCP/IP协议栈中PFC、ECN、DCQCN的工作机制，以及你在实际网络调优中的参数微调经验
- 如果万卡集群训练任务中出现偶发的网络延迟抖动，你会如何利用遥测数据和抓包工具进行定位和恢复？
- 你在CUDA编程和集合通信算子（如AllReduce）开发中，遇到过哪些性能瓶颈？是如何优化的？
- 如何看待AI Agent在网络自动化运维中的应用？请分享一个你探索'AI+网络'的实践想法
- 复习《TCP/IP详解》及RDMA/RoCE v2相关RFC文档，确保对底层协议栈的理解无死角
职位点评
薪资福利85
成长发展95
工作生活50
使命价值85
薪资福利
85较高
作为核心基础架构岗，技术门槛极高，薪资处于市场高位，且提供完善的薪酬福利体系。
薪资信号未披露（AI估算：3.5千–6.5万/月）
成长发展
95较高
处于AI算力网络最前沿，接触万卡集群与最新硬件协议，技术成长空间和技术视野极佳。
技术前沿前沿/新兴技术
技术栈RoCE v2、RDMA、CUDA、AI Agent、NCCL、DeepEP、MPI、1.6Tbps RDMA、DPU、NVLINK
业务类型cost_center
工作生活
50较低
JD未提及工作模式与WLB，但核心基础架构岗需保障99.99%高可用，高压下快速恢复业务暗示工作强度较大。
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
85较高
支撑大模型训练效率，推动AI技术变革，具有强烈的技术使命感与行业前沿价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号拥抱AI思维、探索“AI+网络”的无限可能、推动新技术在现网中的验证与规模化部署
创新程度开拓性创新（行业首创）
Watch Jobs