米哈游
k8s 运维开发工程师（AI 基础设施方向）
k8s 运维开发工程师（AI 基础设施方向）
发布于 大约 9 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
信息技术与基础设施
GPU
GO
CNI
CSI
Device Plugin
Mlp
多集群
AI 估算 · 30k–60k
米哈游AI基础设施方向技术要求高，结合上海市场和大厂背景，薪资竞争力强。
职位详情
关于这个职位
负责米哈游MLP平台GPU集群底座建设，主导大规模多集群K8s环境稳定性与调度效率，支撑AI模型训练与推理
适合有3年以上K8s生产经验、熟悉GPU调度和基础设施开发的工程师
最低要求
本科及以上学历，计算机/电子/通信等相关专业，3 年以上 K8s 生产环境工作经验
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
优先考虑：
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
加分项：
在 CNCF/KubeCon 或相关开源社区有贡献记录
有 Chaos Engineering、故障演练体系建设经验
有大规模（万卡级）集群的实际运维或设计经验
AI 洞察
优缺点分析
优点
- 米哈游作为顶级游戏公司，技术栈前沿，能接触大模型训练等前沿场景
- 职位技术深度高，涉及K8s、GPU、分布式系统等，技能积累价值大
- 公司不差钱，薪资福利有竞争力，且业务稳定
- 职责范围广泛，需要同时掌握K8s、GPU、网络、存储等多领域知识
- 技术迭代快，需要持续学习前沿技术
缺点 / 挑战
- 大规模集群运维压力大，故障响应要求高，可能面临on-call
- 适合喜欢挑战、对云原生和AI基础设施有浓厚兴趣，且能承受一定工作压力的资深运维开发工程师
角色解读
- 技术深耕：成为K8s/GPU基础设施领域的专家，主导大规模集群架构
- 横向拓展：向AI平台整体架构或云原生方向延伸，参与更广泛的系统设计
- 管理路径：从技术负责人逐步过渡到团队管理，带领基础设施团队
- 主导MLP平台GPU集群的高可用架构设计，制定SLA/SLO目标并建立稳定性度量体系
- 负责P0/P1级故障快速定位、根因分析，建立可观测性和应急响应机制
- 设计多集群联邦、调度和灾备方案，解决跨集群资源调度与数据一致性问题
- 基于K8s二次开发CNI、CSI、Device Plugin等核心组件，适配GPU资源池和网络环境
- 深入理解K8s核心组件与调度框架，具备GPU调度实战经验
- 精通CNI或CSI插件开发，能进行源码级调试
- 多集群管理经验，熟悉Karmada、KubeFed等方案
- 扎实的Go/Python编程能力和系统设计能力
申请策略
- 了解米哈游AI业务方向（如游戏AI、大模型应用），在面试中展示对底层平台的理解
- 准备一个自己主导的K8s稳定性或GPU调度项目的复盘，体现系统性思考
- 突出K8s生产环境经验，特别是GPU调度和集群稳定性案例
- 强调CNI/CSI插件开发或多集群管理项目，最好有源码级调试经历
- 如有LLM训练集群运维或Operator开发经验，务必重点展示
- 开源贡献或KubeCon参与记录是重要加分项
- 补齐K8s scheduler二次开发或NVIDIA Device Plugin定制能力
- 学习分布式训练通信协议（NCCL/RDMA）和GPU隔离方案（MIG/vGPU）
面试指南
- STAR原则：情境-任务-行动-结果，清晰描述项目背景和你的贡献
- 技术深度+系统性思考：不仅说做了什么，还要解释为什么这样做
- 对比方案：展示你对不同技术选型的权衡思考
- 请描述你设计的一个高可用K8s集群架构，如何保证GPU资源的高效调度？
- 如何处理一个大规模集群中的P0级故障？请举例说明根因分析和恢复过程
- CNI或CSI插件开发中遇到过哪些挑战？如何调试和优化？
- 多集群管理时如何解决数据一致性和流量分发问题？
- 对NVIDIA Device Plugin的理解？如何实现GPU共享或隔离？
职位点评
66
综合评分
高薪高成长、技术前沿的AI基础设施岗，但工作强度大、WLB较差。
更适合这类人
最适合注重技术成长和薪酬回报，对工作生活平衡要求不高的求职者。
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90
工作生活30
使命价值60
薪资福利
85较高
米哈游薪资在大厂中属于头部，且福利完善，补偿性动机能得到较好满足。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
90较高
职位技术深度极高，涉及AI基础设施前沿，有大量学习成长机会。
技术前沿前沿/新兴技术
技术栈K8s、GPU、LLM、NCCL、CNI、CSI、多集群
业务类型profit_center
工作生活
30较低
仅现场办公，未提及WLB，大规模集群运维可能涉及on-call和加班，生活方式满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况JD含高强度暗示词
使命价值
60中等
AI基础设施支撑游戏和AI业务，有一定社会影响力，但主要服务于公司内部，意义感中等。
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