米哈游
平台研发-k8s 运维开发工程师（AI 基础设施方向）
平台研发-k8s 运维开发工程师（AI 基础设施方向）
发布于 大约 16 小时前普通员工/个人贡献者
上海市
无经验要求
全职员工
仅现场办公
本科
DevOps/SRE
Cni
Csi
Device Plugin
Go
Gpu调度
Llm
Nccl
多集群管理
AI 估算 · 25k–40k
职位详情
关于这个职位
该职位是米哈游AI基础设施方向的核心运维开发岗，负责MLP平台的GPU集群底座建设，主导大规模多集群环境下的稳定性、调度效率和基础设施插件能力，支撑内部模型训练和推理业务
你将深入K8s底层，参与CNI/CSI/Device Plugin等核心组件开发，与算法团队紧密协作，是技术深度与业务影响力兼备的岗位
最低要求
届本科及以上学历，计算机/电子/通信等相关专业
深入理解 K8s 核心组件（kubelet、kube-scheduler、controller-manager）和调度框架，具备 GPU 调度实战经验（NVIDIA Device Plugin、Scheduler Extender、DRA 等）
具备 CNI 或 CSI 插件开发或深度定制经验，熟悉主流实现（Calico/Cilium、CSI Driver 框架）并能进行源码级调试
有多集群管理经验，熟悉 Karmada、KubeFed、Cluster API 或类似方案中的一种以上
扎实的 Go/Python 编程能力，良好的系统设计和故障排查能力
工作职责
GPU 集群稳定性建设：主导 GPU 集群高可用架构设计，制定 SLA/SLO 目标，建立容量规划、变更管控、灰度发布和稳定性度量体系
故障响应与处理：负责 P0/P1 级故障的快速定位、根因分析和事后复盘，建立可观测性、告警和应急响应机制
多集群管理：设计多集群联邦、统一接入、资源调度和灾备方案，解决跨集群业务调度、流量分发和数据一致性问题
基础设施插件开发：基于 K8s 二次开发或定制 CNI、CSI、Device Plugin、Scheduler Extender 等核心组件，适配公司 GPU 资源池和存储/网络环境
跨团队协作：与算法、业务方紧密协作，承接模型训练/推理场景的底层需求，推动平台能力落地
优先资格
有 LLM 大模型训练或推理集群运维经验，了解分布式训练通信（NCCL/RDMA/RoCE/IB）和显存/算子特性
有 Operator 开发经验，熟悉 Kubebuilder / Operator SDK
有 Kube-scheduler / GPU Scheduler 二次开发经验或上游社区贡献
熟悉 GPU 共享/隔离方案（MIG、MPS、vGPU、TimeSlicing）中的一种以上
AI 洞察
优缺点分析
优点
- 米哈游作为头部游戏公司，技术实力雄厚，平台大，能接触到大规模GPU集群和前沿AI技术
- 岗位技术深度高，涉及K8s、GPU调度、多集群管理等核心领域，技能积累价值大
- AI基础设施是当前热门赛道，职业发展前景广阔，薪资竞争力强
- 工作强度可能较大，需要应对P0/P1级故障的应急响应，对心理和身体素质有一定要求
- 技术栈复杂，需要持续学习K8s、GPU、网络等底层知识，学习曲线陡峭
缺点 / 挑战
- 作为校招岗位，对候选人的技术深度和实战经验要求较高，竞争激烈
- 适合对云原生、GPU调度和AI基础设施有浓厚兴趣，具备扎实的K8s和编程基础，愿意深入底层技术并接受挑战的2027届毕业生
角色解读
- 从运维开发工程师起步，逐步成长为AI基础设施领域的专家，负责更大规模的集群架构设计
- 可向技术管理方向发展，带领团队负责基础设施平台的整体规划与建设
- 随着AI大模型的发展，该领域人才需求旺盛，可向云原生、高性能计算等更前沿的方向拓展
- 负责GPU集群的稳定性建设，包括高可用架构设计、SLA/SLO制定、容量规划与变更管控，确保大规模集群的稳定运行
- 主导P0/P1级故障的快速定位与根因分析，建立可观测性、告警和应急响应机制，保障业务连续性
- 设计多集群联邦、统一接入和资源调度方案，解决跨集群的业务调度、流量分发和数据一致性问题
- 基于K8s进行二次开发，定制CNI、CSI、Device Plugin、Scheduler Extender等核心组件，适配GPU资源池和存储网络环境
- 深入理解K8s核心组件（kubelet、kube-scheduler、controller-manager）和调度框架，具备GPU调度实战经验
- 具备CNI或CSI插件开发或深度定制经验，熟悉Calico/Cilium、CSI Driver框架，并能进行源码级调试
- 有多集群管理经验，熟悉Karmada、KubeFed、Cluster API等方案
- 扎实的Go/Python编程能力，良好的系统设计和故障排查能力
申请策略
- 关注米哈游的技术博客和开源项目，了解其技术栈和文化
- 在简历中体现对AI基础设施的热情，以及解决复杂问题的能力
- 突出K8s相关项目经验，特别是GPU调度、CNI/CSI插件开发或多集群管理方面的实践
- 强调Go/Python编程能力，展示在开源社区或技术博客中的贡献
- 如果有LLM训练或推理集群的运维经验，务必重点提及
- 展示故障排查和系统设计能力，可附上具体案例
- 深入学习K8s调度框架和GPU虚拟化技术（如MIG、MPS、vGPU）
- 熟悉NCCL/RDMA/RoCE等分布式训练通信协议
面试指南
- 回答技术问题时，采用STAR法则（情境、任务、行动、结果），突出你的具体贡献和量化成果
- 对于架构设计问题，先明确需求，再分模块阐述，最后总结权衡和取舍
- 遇到不熟悉的问题，坦诚说明，并展示你的学习思路和解决问题的能力
- 请详细描述你参与过的K8s集群管理或GPU调度项目，遇到的最大挑战是什么？
- 如何设计一个高可用的GPU集群架构？请谈谈你的思路
- 解释一下CNI和CSI的工作原理，以及如何开发一个自定义插件？
- 在多集群场景下，如何解决资源调度和数据一致性问题？
- 谈谈你对NCCL和RDMA的理解，以及在LLM训练中的应用
职位点评
79
综合评分
技术前沿、成长空间大，但工作强度可能较高，适合技术驱动型人才。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
更适合这类人
该职位最适合追求技术深度和职业发展，对AI基础设施充满热情，能接受一定工作强度的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展95
工作生活50
使命价值70
薪资福利
85较高
米哈游作为头部公司，薪资福利具有竞争力，但具体薪资未在JD中披露，需在面试中确认。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
95较高
该岗位技术深度高，涉及K8s、GPU调度、多集群管理等前沿领域，能提供极佳的技术成长机会。
技术前沿前沿/新兴技术
技术栈Kubernetes、GPU调度、CNI、CSI、Device Plugin、Go、Python、多集群管理、NCCL、LLM
业务类型ambiguous
工作生活
50较低
JD未提及工作生活平衡相关信息，但作为互联网公司，可能面临一定的工作强度，需在面试中了解。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
AI基础设施是当前热门赛道，对推动AI技术发展有积极意义，但具体社会价值需结合公司业务判断。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs