云原生研发实习生

优缺点分析

角色解读

• 实习期间可转正为云原生研发工程师，参与核心平台功能迭代
• 可向云原生架构师、AI基础设施专家或技术经理方向晋升
• 积累混合云和 AI 基础设施实战经验，未来可跨界至 AI 大模型平台或机器人系统
• 设计和开发基于 Kubernetes 的混合云平台，涉及资源调度、GPU 管理、边缘计算等核心模块
• 搭建和维护容器网络、存储、可观测性等基础服务，保障平台稳定性与可扩展性
• 与 SRE 协作优化系统性能，解决生产环境问题，推动私有化部署自动化
• 跟踪云原生和 AI 基础设施前沿技术，探索新技术在机器人场景的应用
• 扎实的 Kubernetes 和 Docker 基础，了解容器编排、服务发现、负载均衡等原理
• 熟悉至少一种编程语言（如 Go、Python），有系统开发经验
• 对网络（CNI、RDMA）、存储（CSI）或可观测性（Prometheus、ELK）有一定了解
• 了解 GPU 虚拟化、调度或边缘计算技术者优先

申请策略

• 在简历中明确标注对云原生和 AI 基础设施的热情，可附上相关学习笔记或 GitHub 链接
• 面试前了解智元机器人的产品和 Genie Studio 平台，思考如何用云原生技术解决机器人领域的实际问题
• 突出 Kubernetes 相关项目经验，如搭建过 K8s 集群、编写过 Operator 或开发过控制器
• 强调对容器网络或存储的理解，有过 CNI/CSI 插件开发经历更佳
• 展示开源贡献或个人技术博客，体现学习主动性和技术热情
• 深入复习 Kubernetes 核心原理（调度、网络、存储），动手搭建一个多节点集群
• 学习 Go 语言，阅读 K8s 源码或参与社区 issue
• 了解 GPU 虚拟化（如 vGPU、MIG）和边缘计算基础（如 KubeEdge）

面试指南

• 对于 K8s 原理题，建议先解释核心概念（如 scheduler、kubelet），再举例说明实际配置或排错经验
• 对于网络/存储题，先比较不同方案的适用场景，然后结合项目说明选择依据
• 对于开放性问题，回答时展示学习路径和探索精神，如引用 GitHub issue 或开源项目
• 请解释 Kubernetes Pod 调度过程，以及如何实现自定义调度器？
• 容器网络模型（如 Flannel、Calico）之间的区别是什么？如何选择？
• 你如何监控和排查 K8s 集群中 Pod 一直处于 Pending 状态的问题？
• 简述 GPU 在容器中的共享方式（如 time-slicing、MIG），以及优缺点
• 你对 Infrastructure as Code 的理解？使用过哪些工具（Terraform、Ansible）？