智元机器人
云平台研发工程师（GPU 集群与存储方向）
云平台研发工程师（GPU 集群与存储方向）
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公云计算
云计算
Go/Python
Prometheus/Grafana
Tcp/Ip
值不值得投
78综合评分
综合评分 78
AI风口下的硬核基础设施研发岗，技术含金量极高，但需做好应对高强度现场支持的准备
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
比云计算中位数高
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 1600 个在招 · 其中云计算 2 个
市场机会
选择适中
上海 · 云计算 · 44 个在招
职位详情
关于这个职位
负责智元机器人云平台GPU集群与存储系统的研发，涵盖计算资源接入、任务调度执行及统一存储管理能力建设
需解决多节点GPU环境下的通信链路、数据传输优化及基础设施自动化部署问题，并构建完善的监控告警体系以保障系统稳定性与成本效益
最低要求
计算机或相关专业本科及以上学历，有云平台、基础设施、GPU 集群或 DevOps 相关研发与运维经验
熟悉 Go 或 Python，能够开发资源管理服务、节点 Agent、云 API 对接及自动化工具，具备良好的工程实现和排障能力
熟悉 Linux、Docker / containerd 和 Kubernetes，理解容器网络、持久化存储、资源配额及 GPU 资源管理，有多节点环境部署或维护经验
熟悉 NVIDIA GPU、驱动、CUDA 和 GPU 容器环境，能够排查 GPU 不可见、显存不足、驱动兼容及资源占用等问题，理解训练与推理对计算、存储和带宽的需求
熟悉阿里云或其他主流云平台的计算、网络、存储及权限体系，能够通过 API / SDK 接入资源，处理 VPC、路由、安全组、内外网访问及跨环境连通问题
熟悉 S3 / OSS / MinIO 等对象存储中的一种或多种，理解分片上传、重试、校验、访问授权和生命周期管理
具备传输吞吐分析及存储容量管理经验
熟悉 TCP/IP、DNS、HTTP / HTTPS、TLS 及反向代理，能够定位数据传输中的网络、磁盘、并发和服务端限流等瓶颈
具备监控告警、日志分析、发布回滚及故障恢复实践，能够协同研发、云厂商及客户 IT 解决跨系统问题，并适应客户现场和离线部署场景
工作职责
负责平台 GPU 计算资源的接入与管理，对接云厂商及自建服务器，建设统一的节点注册、资源发现、健康检查和使用状态管理能力，支持不同来源计算资源的统一使用
建设训练、评测、数据处理及模型转换任务的资源分配与执行能力，完善队列、GPU 分配、资源配额、并发限制和故障恢复机制，提升多节点、多 GPU 场景下的利用率与运行稳定性
负责 GPU 节点及其与平台之间的通信链路，完善节点 Agent、心跳、任务下发、状态回传、日志采集及异常重连机制，排查网络、权限、容器环境和节点失联等问题
负责 S3 兼容对象存储、阿里云 OSS、本地及共享存储的接入与管理，建设统一存储访问能力，完善授权、生命周期、容量监控、备份恢复及成本管理
优化机器人端、平台、对象存储与 GPU 节点之间的数据传输，支持大文件及海量小文件上传下载、分片传输、断点续传、完整性校验、限流与失败重试，结合缓存、预取和内网链路降低任务准备时间及传输成本
建设容器镜像、运行环境和基础设施自动化能力，完善 GPU 驱动、CUDA、容器运行时及依赖兼容管理，支持节点初始化、环境自检、批量部署、升级和回滚
建设计算、存储与网络的监控告警体系，持续分析 GPU 利用率、显存、磁盘 I/O、带宽及任务排队情况，定位容量与性能瓶颈，开展资源规划和成本优化
参与客户私有化与离线交付，完成云资源、GPU 服务器、网络和存储方案设计及部署验证
对接云厂商和客户 IT，推进资源开通、网络连通、故障处理及运维移交
优先资格
有 GPU 集群、AI 训练推理平台或混合云资源管理经验
熟悉 Kubernetes Device Plugin、Volcano、Kueue、Ray 等资源管理或任务调度组件
有模型与数据集缓存、共享文件系统、跨地域传输或大规模对象存储优化经验
熟悉 Terraform、Ansible、Helm、Prometheus、Grafana、DCGM 等工具，有基础设施自动化及 GPU 监控实践
AI 洞察
优缺点分析
优点
- 身处AI大模型风口，技术栈前沿（GPU集群、AI训练平台），能积累高价值的底层基础设施经验
- 技术深度要求极高，需同时兼顾计算、存储、网络及硬件驱动等多层面问题，故障排查难度大
- 适合对云原生、AI基础设施有浓厚兴趣，具备扎实后端开发功底且喜欢解决复杂系统性问题的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI基础设施架构师、云原生专家或技术总监方向发展，随着大模型行业对算力基础设施需求的爆发，该领域人才极具竞争力
- 负责搭建和维护支撑AI大模型训练的底层云平台，重点解决GPU算力的高效调度和异构存储的统一管理
- 精通Go或Python语言，深入掌握Kubernetes容器编排、NVIDIA GPU驱动与CUDA生态，以及主流云厂商API集成能力
申请策略
- 关注公司在具身智能领域的业务布局，面试时展示对“算力即服务”商业模式的理解
- 突出在Kubernetes GPU调度、大规模对象存储优化、高并发网络传输方面的具体项目成果和数据指标
- 补充学习Volcano/Kueue等高级调度器原理，熟悉Terraform等IaC工具，了解AI训练框架对底层资源的调用机制
面试指南
- 采用STAR法则，重点阐述遇到的极端场景（如节点宕机、显存泄漏）、采用的技术方案（如Device Plugin定制、断点续传）、以及最终的性能提升数据
- 如何在Kubernetes中高效调度多卡GPU任务？
- 面对海量小文件的存储与传输瓶颈，有哪些优化策略？
- 如何设计一个高可用的GPU集群健康检查与故障自愈机制？
- 复习Linux内核网络栈、Docker/containerd底层原理，准备一个关于GPU资源隔离或性能调优的深度案例
职位点评
薪资福利80
成长发展92
工作生活50
使命价值85
薪资福利
80较高
B轮独角兽企业，针对稀缺的AI基础设施人才提供具有市场竞争力的薪酬，但福利细节未明确披露。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
92较高
职位直接关联AI大模型训练这一最前沿技术领域，技术栈极具挑战性，成长空间巨大。
技术前沿前沿/新兴技术
技术栈GPU Cluster、Kubernetes、CUDA、S3/OSS、Terraform
业务类型profit_center
工作生活
50较低
JD提及“适应客户现场和离线部署场景”，暗示可能存在出差或高强度现场支持工作，WLB可能受限。
工作模式未明确
办公地点未明确
加班情况JD含高强度暗示词
使命价值
85较高
服务于具身智能和AI大模型领域，推动人工智能技术进步，具有显著的行业价值和社会影响力。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs