顺丰速运
AI运维工程师
AI运维工程师
发布于 大约 18 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
本科
信息技术与基础设施
PyTorch
RAG
GO
TensorFlow
LLM
NCCL
AIOps
RoCE
Gpu/Npu集群
AI 估算 · 25k–40k
深圳AI运维岗位稀缺，需掌握GPU集群及AIOps技能，大厂薪资具有竞争力。
职位详情
关于这个职位
该职位负责顺丰AI基础设施的稳定性和性能优化，涵盖GPU/NPU集群运维、高性能网络与分布式存储管理，以及通过AIOps和LLM技术提升运维智能化水平
适合具备大规模集群运维经验、熟悉AI框架和云原生技术栈的资深工程师，工作地点深圳
最低要求
基础技术栈：本科及以上学历，3年以上运维/SRE经验，有AI基础设施运维经验
精通Linux、TCP/IP/RDMA网络、Docker/K8s（GPU调度），熟练使用Prometheus、Grafana、Loki/ELK及Python/Go/Shell
AI领域实践：了解主流AI框架（PyTorch/TensorFlow）原理及通信库（NCCL/HCCL），熟悉K8s生态，有大规模GPU集群排障实战（如NCCL超时、慢节点识别）
AIOps与LLM应用能力：具备时序异常检测、日志聚类、根因定位等AIOps落地经验
熟悉LangChain、RAG、Prompt Engineering，能将大模型集成到运维系统（自动诊断、脚本生成）
软素质与加分项：强责任心和抗压能力，能快速响应故障
良好的跨团队协作意愿
有万卡集群运维经验或开源贡献者优先
工作职责
AI基础设施稳定性运维：负责大规模GPU/NPU集群、高性能网络（RoCE/IB）、分布式存储的部署、监控、容量规划与日常保障，通过故障自愈、自动重调度、Checkpoint恢复等机制降低MTTR
性能优化与资源管理：定位并解决推理中的性能瓶颈（GPU利用率、通信带宽、数据加载），优化异构资源调度策略，减少碎片化，保障AI任务高效连续运行
运维AI化提效：开发智能运维场景（异常检测、根因分析、告警收敛、容量预测），利用AI实现自然语言查询、故障诊断与脚本生成，建设自动化运维平台（扩缩容、隔离修复、智能调度）
数据驱动与知识沉淀：分析历史监控与日志数据，输出优化报告
建立运维知识库及故障案例库，借助AI辅助问答持续提升团队效率
AI 洞察
优缺点分析
优点
- 职位聚焦AI运维前沿方向（AIOps+LLM），技能稀缺，市场价值高
- 大厂平台稳定，附带完善的福利体系（虽未具体说明，但上市企业通常五险一金、补充医疗等齐全）
- 需7x24小时待命处理故障，抗压能力要求高，工作强度大
- 技术栈覆盖广（网络、存储、K8s、AI框架、AIOps），学习成本高
- 岗位对跨团队协作要求高，需与算法、研发、业务部门紧密配合
- 适合有3年以上运维/SRE经验，对AI基础设施和AIOps有浓厚兴趣，能承受高压的资深工程师
缺点 / 挑战
- 顺丰作为物流巨头，AI基础设施投入大，可接触万卡级GPU集群，技术挑战高，成长快
角色解读
- 可向AI基础设施架构师或运维平台技术负责人发展，主导下一代运维体系设计
- 横向拓展至AI平台研发或全栈AI工程方向，结合AIOps与LLM打造智能化运维产品
- 在物流行业深耕，成为物流AI基础设施领域的专家，推动行业数字化转型
- 负责大规模GPU/NPU集群的部署、监控、容量规划及日常故障自愈，保障AI基础设施稳定运行
- 定位并解决推理中的性能瓶颈，优化GPU利用率、通信带宽与资源调度策略
- 开发智能运维场景，如异常检测、根因分析、告警收敛，并利用LLM实现自然语言查询和自动诊断
- 精通Linux、TCP/IP/RDMA网络、Docker/K8s（GPU调度）及Prometheus等监控工具
- 熟悉PyTorch/TensorFlow框架及NCCL/HCCL通信库，具备大规模GPU集群排障经验
- 具备AIOps落地经验（时序异常检测、日志聚类、根因定位）和LLM应用能力（LangChain、RAG）
申请策略
- 顺丰强调业务落地，准备1-2个用AI提升运维效率的具体方案，展示业务理解
- 面试前了解顺丰物流业务场景，思考AI运维如何赋能降本增效
- 突出大规模GPU集群运维经验，量化集群规模（如XX节点）、故障处理时效（MTTR）等
- 重点展示AIOps项目落地案例（异常检测、告警收敛等），以及LLM集成运维系统的实践
- 如有CKA、CKAD等K8s认证或NCCL调优经验，务必列出
- 补强RDMA网络（RoCE/IB）和分布式存储相关知识
- 深入学习LangChain和RAG应用开发，尝试构建一个简单的LLM运维助手
面试指南
- 对于故障类问题：先明确故障现象，再逐层排查（网络、存储、调度、应用），最后给出优化方案
- 对于AIOps问题：从数据采集、特征工程、模型选择、部署反馈闭环的流程阐述，强调落地效果
- 对于LLM应用：结合RAG流程、Prompt Engineering技巧，说明如何保证输出准确性和可解释性
- 如何设计一个万卡GPU集群的故障自愈机制？
- 请解释NCCL超时的常见原因及排查步骤
- 你如何用AIOps技术实现告警收敛和根因定位？
- 请描述一个你使用LLM改进运维流程的实际案例
- 如何优化K8s上GPU任务的调度，减少资源碎片？
职位点评
66
综合评分
顺丰AI运维岗，技术前沿、成长性强，但工作强度大、WLB较差。
更适合这类人
最适合追求技术成长、希望接触前沿AI基础设施和高并发场景的求职者，不适合重视WLB的人群。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展90
工作生活30
使命价值75
薪资福利
70中等
薪资面议，但大厂上市企业整体薪酬福利有保障，不过具体金额未知，工作强度大可能影响性价比。
薪资信号面议 (25K-40K/月)
成长发展
90较高
技术栈前沿（GPU集群、AIOps、LLM），接触万卡规模，成长路径清晰，技能稀缺性强。
技术前沿前沿/新兴技术
技术栈GPU、NPU、Kubernetes、Prometheus、AIOps、LLM、LangChain、RAG、NCCL、RoCE
成长机会知识沉淀、故障案例库、智能运维场景开发
业务类型profit_center
工作生活
30较低
未提远程或弹性工作，强调快速响应故障，工作强度大，WLB较差。
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
75中等
物流AI基础设施属于高速增长赛道，技术创新性强，但社会影响力中性。
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