深度求索
超算集群研发工程师
超算集群研发工程师
发布于 大约 11 小时前普通员工/个人贡献者
杭州市 / 北京市
其它
全职员工
仅现场办公
学历未注明
信息技术与基础设施
分布式系统
GPU
性能优化
HPC
Linux内核
RDMA
NPU
调度系统
超算集群
AI 估算 · 35k–65k
超算集群研发门槛高、技术栈深入，B轮AI公司薪资竞争力强，杭州北京一线城市提供较高薪酬。
职位详情
关于这个职位
作为超算集群研发工程师，你将参与设计和实现大规模异构计算资源调度系统、集群管理系统，并进行端到端性能调优
工作涉及CPU/GPU/NPU调度、RDMA网络优化、内核及I/O调优，旨在建设下一代AI超算基础设施，直接支撑大模型训练与推理的效率提升
适合对计算机体系结构有深刻理解、热爱性能优化、渴望从底层推动AGI发展的技术人才
最低要求
扎实的计算机体系结构基础：深刻理解计算机组成、操作系统、计算机网络等核心原理
熟悉 C / C++ / Rust / Python 之一，具备优秀的设计能力、极强的动手和工程能力以及代码质量意识
对分布式系统有深刻理解与实践经验，如熟悉分布式任务调度与资源编排，或能设计高性能、高可用的系统架构
对性能优化有较高热情，发自内心地想要跑满所有计算资源，榨干每一份算力
良好的中文沟通能力和团队协作能力
工作职责
设计并实现大规模异构计算资源的调度系统，解决 CPU/GPU/NPU 等计算资源的抽象、池化与拓扑感知调度
持续优化调度算法，在任务吞吐、排队延迟和资源利用率之间取得均衡
开发集群管理系统，覆盖任务和节点生命周期管理、日志采集和召回、关键性能数据收集与可视化、故障发现与自动容灾，以及新硬件、新软件栈的导入与适配
从集群视角进行端到端系统性能调优，覆盖 CPU/GPU/NPU 计算任务优化、Linux 内核、I/O 和网络协议栈等，构建集群可观测性体系，主导大规模训练下的故障诊断、性能回归和全链路排障
分析大规模并行系统中的性能抖动、长尾延迟以及性能不均等系统性瓶颈，支撑所有同事更高效地使用集群
AI 超算集群网络的拓扑设计、路由策略、多路径负载均衡和拥塞控制，深入研究 RDMA（RoCEv2 / InfiniBand）协议栈，与通信算子、存储团队配合，提供来自高性能网络的最优底层支撑
参与新一代超算集群的架构规划与建设，探索和评估 GPU、国产 AI 加速器、网卡、以及新兴硬件，与 IDC 数据中心团队配合，以集群架构需求驱动数据中心的规划、建设与交付
优先资格
熟悉容器运行时（cgroup、namespace 等）与容器编排系统（Kubernetes 等）的底层实现原理，理解资源隔离、调度（sched_ext）与 QoS 等机制
精通 RDMA 编程及 RoCEv2 / InfiniBand 网络架构，深入理解拥塞控制、多路径、自适应路由等机制，具备大规模 RDMA 网络排障与调优经验
有HPC和超算全机规模应用经验，熟悉并行编程范式，或有超大规模集群组网设计、部署建设、调优经验
有智能网卡 DPU、可编程交换机 P4 开发经验，或熟悉 GPU、国产 AI 加速器或国产 CPU 的体系结构和性能特性
在大型开源软件中有深度贡献，或有优秀个人开源项目，或有HomeLab经历
在 HPC 赛事（SC / ASC / ISC / PAC）、数学或算法竞赛（CMO / NOI / IOI / ICPC）中取得优异成绩
AI 洞察
优缺点分析
优点
- 直接参与AGI基础设施核心建设，工作成果影响大模型训练效率和成本
- 接触前沿硬件和系统技术（RDMA、DPU、国产加速器），技术积累深厚
- B轮明星公司，团队技术氛围浓厚，与顶尖算子、框架研发协作
- 职业天花板高，超算集群领域人才稀缺，长期前景广阔
- 技术复杂度极高，需要同时掌握硬件、网络、操作系统、分布式等多领域知识
- 工作强度可能较大，大规模集群运维和调优需要应对突发故障和紧迫项目
- 对自学能力和问题解决能力要求高，新硬件和新技术迭代快
缺点 / 挑战
- 适合热爱底层系统、对性能优化有极致追求、享受从硬件到软件全栈挑战的技术极客
角色解读
- 技术深潜：从集群调度、网络优化到底层硬件驱动，成为全栈系统性能专家
- 架构进阶：主导下一代超算集群架构设计，参与数十万卡规模基础设施建设
- 交叉发展：与算法、框架团队协作，深入AI训练推理全链路，拓展到AI系统架构师方向
- 设计和实现大规模异构计算资源调度系统，优化CPU/GPU/NPU资源利用率与任务吞吐
- 开发集群管理系统，涵盖任务生命周期、日志、监控、故障容灾等，保障集群稳定运行
- 进行端到端系统性能调优，涉及Linux内核、I/O、网络协议栈，构建可观测性体系，诊断大规模训练性能瓶颈
- 参与AI超算网络架构设计，优化RDMA协议栈与路由策略，探索下一代硬件加速方案
- 扎实的计算机体系结构基础，深刻理解计算机组成、操作系统、计算机网络
- 精通C/C++/Rust/Python之一，代码质量和工程能力强
- 对分布式系统有深入实践，熟悉资源调度、高可用架构
- 强烈的性能优化热情，能够从硬件微架构到系统软件层面系统性思考
申请策略
- 在简历或求职信中表达对AGI和系统性能的热情，体现独立思考和好奇心
- 准备一个系统调优或分布式调度的项目深度介绍，展示系统性解决问题能力
- 突出计算机体系结构、操作系统、网络相关项目或课程成果
- 展示分布式系统设计经验，如调度器、资源管理、高可用系统
- 强调性能优化案例，包括具体量化成果（如延迟降低、吞吐提升）
- 如有开源贡献、赛事获奖或HomeLab，务必详细描述
- 深入学习Linux内核调度器、内存管理、I/O栈，阅读内核源码
- 实践RDMA编程（如使用InfiniBand或RoCEv2），搭建小型实验集群
面试指南
- 采用STAR法则：情境、任务、行动、结果，量化调优效果
- 从第一性原理出发，拆分问题层次（硬件、OS、网络、应用），逐步定位
- 展示系统性思考：权衡吞吐、延迟、利用率，考虑可扩展性和容错
- 请描述一次你对系统进行性能调优的经历，你如何发现瓶颈并解决？
- 如何设计一个大规模异构资源调度器？需要考虑哪些关键因素？
- 解释RDMA的工作原理，以及在超算网络中如何优化拥塞控制？
- 当你在训练作业中遇到性能抖动，你会如何排查？
- 你对容器运行时（如cgroup/namespace）的理解，Kubernetes调度底层如何工作？
职位点评
75
综合评分
前沿AI超算研发，技术成长极高，薪资不错但WLB差。
更适合这类人
最适合以技术成长和挑战前沿为驱动、对AGI充满热情、能够接受高强度工作的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展95
工作生活40
使命价值90
薪资福利
75中等
薪资处于行业高水平，但未在JD中明确薪资范围，面议可能性大；公司为B轮，福利可能未完全披露。
薪资信号面议 (35K-65K/月)
成长发展
95较高
职位直接参与定义下一代超算基础设施，技术栈前沿，涉猎多种硬件和系统软件，成长空间极大。
技术前沿前沿/新兴技术
技术栈C、C++、Rust、Python、分布式系统、Kubernetes、RDMA、InfiniBand、GPU、NPU、HPC、DPU、P4、RoCEv2
成长机会直接参与定义并建设下一代超算基础设施、深入多种硬件体系结构，系统性地积累跨架构实践经验
业务类型profit_center
工作生活
40较低
未明确提及WLB，工作地点为现场办公（杭州或北京），预计需要较高投入，加班可能较频繁。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
90较高
职位直接服务于AGI基础设施，社会意义重大，属于高速增长赛道，技术创新性强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号在 AI 时代，超算集群就是把电力转换为智能的引擎。、让每一瓦电力都尽可能多地转换为有效算力、挑战更大规模数十万卡集群的极限性能。
创新程度开拓性创新（行业首创）
Watch Jobs