蚂蚁集团
蚂蚁集团-服务器系统专家-杭州
蚂蚁集团-服务器系统专家-杭州
发布于 大约 16 小时前普通员工/个人贡献者
全职员工仅现场办公硬件工程师
硬件工程师
Bmc
Gpu
Ipmi
压力测试
智算服务器
服务器部署
硬件故障诊断
值不值得投
75综合评分
综合评分 75
前沿AI硬件运维专家岗，技术挑战大，成长性强，平台优质，工作生活平衡需确认。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
40K
比硬件工程师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 930 个在招
市场机会
选择适中
杭州 · 硬件工程师 · 12 个在招
职位详情
关于这个职位
这是蚂蚁集团智算服务器团队的硬件系统专家岗位，主要负责大规模GPU智算服务器从部署验收、系统初始化、压力测试到硬件故障诊断维修的全生命周期管理，确保服务器集群的硬件稳定性和交付效率
最低要求
本科及以上学历，计算机、通信、电子、自动化等相关专业，3年以上服务器硬件工程、系统测试、IDC交付验收或硬件运维诊断实战经验
了解机柜供电系统（如冗余供电、功率分配），熟悉网络基础架构，有大规模智算服务器管理经验
深入理解 x86/ARM 服务器体系结构，熟悉主流GPU/xPU智算服务器的硬件架构与运维规范
熟练掌握通过 BMC Web、IPMItool、Redfish 或厂商管理工具进行带外配置批量下发、日志导出、传感器监控与固件升级
精通 Linux 系统排障与硬件日志分析（BMC SEL、OS dmesg、MCE、PCIe AER、nvidia-bug-report 等），具备快速精准判定硬件物理故障的能力
熟练掌握 Python 或 Shell 至少一种脚本语言，具备自动化脚本编写经验
有互联网服务器管理或OEM/ODM 厂商 FAE/TSE 经验者优先
工作职责
负责统筹大规模智算服务器的部署方案论证、到货上架验收、物理布线核验与基础交付工作，监督施工规范与安全，保障交付效率
主导服务器系统初始化（BIOS/BMC/固件/驱动等基线配置），排查交付过程中的技术异常，协调厂商完成兼容性调试与故障处置，保障交付配置 100% 符合标准
负责新机型与批量交付服务器的系统级压力测试与入池验收（GPU Burn、NCCL 带宽测试、Memtester、FIO 存储压测等），前置拦截硬件缺陷
负责生产集群中硬件疑难故障（GPU 掉卡/Xid、PCIe AER、内存 ECC、光模块抖动等）的深度定位、现场维修复核及厂商 RMA 报修闭环，降低返修率并压缩 MTTR
负责硬件运行稳定性治理，从日常运维中洞察硬件批次性隐患，推动厂商完成失效分析（FA）并闭环质量改进
优先资格
有互联网服务器管理或OEM/ODM 厂商 FAE/TSE 经验者优先
AI 洞察
优缺点分析
优点
- 能接触业界最前沿的大规模智算集群硬件技术，技术栈非常硬核
- 平台大，项目规模巨大，能积累处理复杂硬件问题的宝贵经验
- 岗位核心是保障业务基础设施的稳定，工作成果直接可见
- 智算服务器技术更新快，需要持续学习新硬件、新架构知识
- 可能需要配合厂商和现场施工，沟通协调和现场处理环节多
- 适合具有深厚服务器硬件背景、动手能力强、善于分析复杂技术问题、追求在基础设施领域深耕的工程师
缺点 / 挑战
- 故障排查和解决压力大，对问题定位的速度和精准度要求高
角色解读
- 可向更高级的硬件架构师或数据中心基础设施负责人方向发展，专注于大规模计算集群的稳定性和效率优化
- 也可深入技术领域，成为特定硬件（如GPU、网络）或特定故障领域的专家，引领技术攻关
- 负责大规模GPU智算服务器的部署、初始化、测试和验收的全流程管理
- 深入诊断和解决服务器硬件疑难故障，如GPU掉卡、内存错误等，推动厂商改进
- 从日常运维中发现硬件批次性问题，并驱动质量闭环，提升集群稳定性
- 需要具备扎实的服务器硬件知识，特别是GPU/xPU智算服务器架构和x86/ARM体系结构
- 必须精通BMC/IPMI等带外管理工具和Linux系统底层日志分析，用于故障定位
- 需要熟练的脚本编写能力（Python/Shell）以实现自动化运维和测试
申请策略
- 仔细研读JD中提到的各类硬件故障（如GPU Xid、PCIe AER），确保自己有相关排查思路
- 了解智算集群在AI训练、推理场景下的硬件需求与常见瓶颈，以便在面试中展现业务理解
- 突出3年以上服务器硬件、IDC交付或硬件运维的具体项目经验，尤其是涉及GPU服务器的项目
- 详细列举你掌握的带外管理工具（如IPMI、Redfish）、Linux排障经验和脚本自动化案例
- 强调你处理过的典型硬件故障案例和推动的改进措施，体现问题解决和闭环能力
- 可以深入研究GPU服务器架构、NCCL等AI通信库的硬件交互原理
- 学习或深化对服务器压力测试工具（如GPU Burn、FIO）的原理和应用
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化描述你的故障处理或项目经验
- 回答测试方案问题时，从测试目的、工具选择、指标监控、通过标准和异常处理流程几个方面展开
- 对于流程类问题，强调你的系统性思维、沟通协调能力和推动闭环的成果
- 请描述一次你处理过的最复杂的服务器硬件故障，你是如何定位并解决的？
- 你如何设计一个新机型批量交付前的系统级压力测试方案，以确保其稳定性？
- 在管理大规模服务器集群时，如何从日常运维数据中发现潜在的硬件批次性隐患？
- 你有哪些经验协调厂商进行故障部件的RMA流程，并确保问题得到根本解决？
- 复习Linux硬件日志分析命令和常见错误码（如dmesg, MCE），并准备好相关案例
职位点评
薪资福利75
成长发展85
工作生活60
使命价值80
薪资福利
75中等
该职位为高级技术专家岗位，预计薪资具有市场竞争力，且公司背景雄厚，能提供稳定的雇佣关系和完善的福利体系。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
85较高
该职位技术要求高，涉及前沿的智算服务器硬件、GPU集群运维及自动化脚本，能快速提升在AI基础设施领域的专业技能和实战经验。
技术前沿前沿/新兴技术
技术栈GPU、智算服务器、BMC、IPMI、Redfish、Linux、Python、Shell、NCCL、PCIe AER
业务类型cost_center
工作生活
60中等
JD未明确提及办公模式、加班情况或工作时间，工作内容涉及服务器部署、现场维修，可能需要一定的现场响应，工作节奏和灵活性未知。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
80较高
该职位直接服务于公司的核心AI算力基础设施，保障大规模智算集群的稳定运行，对公司的AI业务发展有直接且重要的支撑作用。
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
蚂蚁集团 的其他在招职位
相似职位推荐
Watch Jobs