高级平台开发专家

优缺点分析

角色解读

• 可向AI基础设施架构师或技术专家发展，主导算力平台整体技术演进
• 有机会接触前沿AI集群技术，成长为AI基础设施领域顶尖人才
• 也可转向SRE或技术管理岗位，带领团队负责大规模集群的稳定运营
• 负责设计并研发AI算力集群的自动化管理平台，包括CMDB、工单系统、监控告警等核心模块
• 持续优化平台架构，确保高可用性和可扩展性，支撑算力集群全生命周期管理
• 深度参与可观测性、故障自愈等自动化能力建设，提升集群稳定性
• 与SRE、网络等团队协作，将业务需求转化为平台功能，推动算力交付自动化
• 精通Golang系统编程，熟练使用Python/Shell等脚本语言
• 具备AI Coding实践经验，能利用AI工具提升研发效能
• 熟悉GPU服务器体系结构、RDMA高性能网络，了解大模型训练/推理流程
• 拥有大规模基础设施平台开发经验，对CMDB、自动化运维、监控告警等有深入理解

申请策略

• 了解B站AI业务方向（如视频推荐、内容理解、AIGC），在面试中展现对业务场景的理解
• 准备一个过往平台优化或故障处理的案例，体现分析能力和技术深度
• 突出大规模基础设施平台开发经历，特别是CMDB、自动化运维、监控等模块的设计与产出
• 强调Golang精通程度，以及Python/Shell脚本能力，附带具体项目代码量或系统性能指标
• 如有AI Coding或AI集群管理经验（如GPU集群、RDMA网络、大模型训练支撑），务必重点展示
• 体现跨团队协作和项目推动能力，例如将业务需求转化为平台功能案例
• 深入学习GPU集群架构（如NVIDIA DGX、RDMA、IB网络）和大模型训练/推理流程
• 加强AI Coding工具链使用，如GitHub Copilot、Cursor、Codex等，提升开发效率

面试指南

• STAR原则：描述场景、任务、行动、结果，突出技术难点和量化成果
• 对于故障处理类问题，强调系统性思维：先止血、再定位根因、最后制定长期预防措施
• 展现学习能力：承认不足并主动学习，例如提到如何快速掌握RDMA或GPU知识
• 请描述你参与过的大规模基础设施平台架构，包括核心模块和技术选型
• 在GPU集群管理中，你是如何实现故障检测与自愈的？举一个具体案例
• 如何设计一个高可用的CMDB系统？考虑数据一致性和变更管理
• 你如何利用AI工具提升研发效能？请举例说明
• 当线上出现告警风暴时，你的应对策略是什么？