Agent Infra 运维开发工程师

优缺点分析

角色解读

• 先在超大规模容器调度与云原生底座方向深耕，成长为 AI Infra / 平台工程方向的资深工程师或架构师
• 这条路径的稀缺性高，可横向迁移到其他大模型公司、云厂商或大规模基础设施团队
• 后续也可转向 SRE 负责人、平台团队管理等方向
• 负责为 Agent 训练与评测提供大规模容器化运行底座，支撑海量并发的代码执行、工具调用与环境交互
• 具体包括容器调度系统的设计与研发、资源调度与任务编排、容器运行时管理，保障训练与评测场景稳定运行
• 扎实的 Kubernetes 功底是核心，需要熟悉调度、网络、存储、Controller/CRD 等核心机制，并能基于 CRI 做调度器扩展
• 同时要求 3 年以上平台运维经验加 1 年以上 Go 研发经验，能独立定位复杂分布式系统问题
• 还要懂 OCI 镜像标准与镜像仓库实现，会抓包排查网络问题，最好有 DNS 插件开发经验

申请策略

• 面试前了解一下智谱 GLM 系列模型和 Agent 相关产品线，理解“为什么 Agent 评测需要大规模容器环境”这个业务逻辑，能在沟通中体现出你懂场景而不只是懂运维
• 也可以关注团队对弹性、隔离、成本效率的诉求，准备相应的思考
• 重点写清你管理过的集群规模（节点数、Pod 数、并发量级）与承担的调度/编排改造工作，用数据体现复杂度
• 突出 Go 语言项目，尤其是 Operator、CRD/Controller 或调度器扩展的开发经历
• 如果有镜像仓库、镜像加速、容器运行时改造经验，要单独成段说明效果
• 网络排障案例（抓包定位、DNS 相关问题）也很加分，可写成问题—分析—解决的完整小故事
• 提前读一读 kube-scheduler 的调度框架与 CRI 接口源码，理解扩展点与瓶颈所在
• 补一补 OCI 镜像规范与 registry 实现（如 distribution、Harbor）的细节，了解 P2P 分发等镜像加速方案

面试指南

• 设计类问题先讲清约束与规模（QPS、节点数、并发量），再给出方案与取舍，最后说明如何验证与兜底
• 排障类问题用分层思路：现象与影响面 → 指标与日志定位 → 抓包/内核层验证 → 根因 → 短期止血与长期改进
• 经历类问题用 STAR 结构，务必带量化结果
• 如果要支撑上万 Pod 级别的并发调度，你会如何设计？瓶颈通常在哪里？
• Kubernetes 调度器有哪些扩展方式（Scheduler Framework、extender、自定义调度器），各自适用什么场景？
• 设计一个容器镜像加速方案，你会从哪几个层面入手？如何处理冷启动？
• 线上出现容器网络丢包或 DNS 解析异常，你会怎么一步步定位？
• 讲一个你排查过的复杂线上故障，根因是什么，做了哪些长期改进？