云原生研发工程师-觅蜂子公司

优缺点分析

角色解读

• 技术方向：深入云原生调度、边缘计算、高性能网络等领域，成为 K8s 专家或架构师
• 管理方向：带领基础设施团队，主导平台架构演进，晋升为技术负责人
• 行业方向：具身智能和 AI 数据服务赛道快速发展，可向 AI 平台或数据工程领域拓展
• 设计并实现基于 Kubernetes 的混合云管理平台，包括多云、边缘集群和私有化部署
• 优化 GPU 资源管理和容器编排调度，提升 AI 训练推理的效率与稳定性
• 搭建和维护网络、存储、边缘节点等基础服务，与 SRE 协作解决部署问题
• 跟踪云原生前沿技术（如 Volcano、KubeEdge），推动新工具落地
• 精通 Golang 和 Kubernetes 核心原理，具备 Operator 开发经验
• 熟悉 Docker、Calico、Prometheus 等云原生工具的配置与调优
• 理解 AI 平台架构及分布式系统，有 GPU 管理相关经验
• 具备网络（CNI、RDMA）或边缘计算（OpenYurt）等深广度知识优先

申请策略

• 面试前了解觅蜂科技（Maniformer）的物理 AI 数据平台业务，思考云原生如何支持数据闭环
• 准备一个你主导过的 K8s 相关复杂问题解决案例，体现工程能力
• 突出 Golang 和 Kubernetes 开发经验，尤其是 Operator 项目（如 Kubebuilder）
• 展示 AI 平台相关经历，如训练/推理平台、GPU 调度或模型部署实践
• 列举云原生工具调优案例（如 Prometheus 监控、容器网络优化）
• 如有边缘计算或 CNI 开发经验，务必单独说明
• 如不熟悉边缘计算，可学习 OpenYurt 或 KubeEdge 的基本架构
• 补充 Kubernetes 调度器扩展点（Scheduler Framework）或容器运行时知识

面试指南

• 对于设计类问题，使用“需求分析 → 方案对比 → 选型理由 → 架构细节”的框架
• 对于优化类问题，先明确目标和瓶颈，然后分步骤阐述优化措施及效果验证
• 对于原理类问题，从底层机制入手，结合实际经验说明
• 请解释 Kubernetes Operator 的工作原理，并设计一个管理 GPU 资源的 Operator
• 如何优化 Kubernetes 集群中 GPU 的调度效率？
• 描述你在混合云场景下遇到的网络或存储问题及解决方案
• 谈谈你对边缘计算中云边协同和节点自治的理解
• 如何保证 AI 训练平台的稳定性和资源利用率？