AI Infra SRE 工程师（正式）

优缺点分析

角色解读

• 可深入AI Infra领域，成为AI平台稳定性或效能优化专家
• 可向技术管理方向发展，负责SRE团队或AI基础设施整体架构
• 凭借对大模型和算力的深度理解，可拓展至AI平台工程或MLOps等更前沿的领域
• 保障AI算力集群和平台的稳定运行，处理日常故障并进行资源管理
• 负责大模型推理服务（如Dots）从部署到容灾的全链路高可用运维
• 开发或集成运维平台，实现多集群的监控、资源管理和可观测性
• 分析算力、存储等资源的SLO与利用率，推动低效治理和效率提升
• 精通Linux、Kubernetes和网络知识，熟悉云服务操作
• 熟练使用Python/Shell/Go进行开发，具备构建运维平台或自动化工具的能力
• 理解GPU硬件基础（型号、算力、网络）及大模型推理服务的调用链
• 具备SRE方法论（SLO、容量规划、变更管理、故障复盘）和优秀的沟通推动力

申请策略

• 研究小红书的产品特点和AI应用场景（如内容推荐、图像生成），理解该岗位如何支撑业务
• 在面试中展现对‘稳定性保障’和‘效率提升’双重目标的平衡思考能力
• 准备一些关于如何处理复杂AI基础设施故障或优化大规模资源利用率的深度思考
• 突出5年SRE/运维开发经验，详细描述保障过何种规模、复杂度的系统稳定性
• 列举使用Python/Shell/Go开发运维平台、自动化工具或解决复杂问题的具体项目经验
• 强调对Linux、Kubernetes、网络、GPU技术的掌握深度，以及实际排障案例
• 描述参与或主导过的SRE实践，如SLO体系建设、容量规划、故障复盘等
• 系统学习和实践GPU计算、集群网络（如InfiniBand）及主流AI框架的部署运维知识

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述过往的故障处理或项目经验，突出你的技术决策和推动力
• 从用户体验（延迟、成功率）、系统健康度（错误率、资源饱和度）和业务影响等多个维度来阐述SLO的设计和监控
• 结合具体案例说明如何通过监控、调度策略、弹性伸缩或硬件优化来提升资源利用率
• 针对工具开发问题，重点说明业务痛点、你的解决方案架构、实现技术以及带来的效率提升
• 请介绍一个你过去处理过的最复杂的SRE故障，你是如何定位并解决的？
• 你如何设计和监控一个大模型推理服务的SLO？会关注哪些关键指标？
• 如何评估和优化GPU集群的利用率？有哪些常见的低效治理手段？
• 你开发过哪些运维工具或平台？解决了什么问题？技术栈是什么？