深度求索
超算网络研发工程师
超算网络研发工程师
发布于 大约 16 小时前普通员工/个人贡献者
杭州市
高级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
RDMA
可观测性
计算机体系结构
GPU集群
NCCL
网络拓扑
拥塞控制
Rocev2
AI 估算 · 35k–65k
大模型算力方向高级研发岗位薪资竞争力强，技术栈高端，杭州中大型企业B轮，月薪中位数5万合理
职位详情
关于这个职位
该职位负责下一代超算网络架构的设计与落地，覆盖集群互联、路由、通信协议到通信库、设备固件、可观测性的全栈优化，直接决定万卡集群的训练效率
要求精通RDMA、NCCL等高性能网络技术和计算机体系结构，拥有大规模网络故障诊断与性能优化实战经验
最低要求
基本背景：
计算机等相关专业，本科及以上学历
扎实的 C/C++/Python 系统编程能力，熟悉 Linux 内核网络栈与高性能互连技术（RDMA、RoCEv2、IB 等）
岗位要求：
精通大规模网络拓扑、路由与多路径负载均衡设计，理解乱序收包及重排序机制，掌握 RDMA 拥塞控制及相关机制
深入了解 NCCL 或 xCCL 原理，有源码级开发或深度性能调优经验
深入了解计算机体系结构，能够清晰描述一个数据包从内存出发到对端的全过程及其潜在瓶颈
具备大规模网络故障诊断与性能优化实战经验，能跨端侧、交换机、网卡定位问题
工作职责
下一代网络架构与协议设计：设计超大规模集群互联架构与路由策略，实现逐包多路径负载均衡、乱序收包处理机制
结合业务落地拥塞控制算法，解决 PFC 风暴、拥塞扩散等问题
网络可观测性：构建端到端监控与 tracing 体系（应用层metrics、延迟、队列、丢包、重传等），主导大规模训练的网络故障诊断和性能回归分析
端到端性能调优：熟悉计算机体系结构（CPU/GPU微架构、设备互联NVLink/UB/PCIe、内存模型等），结合网络负载进行端到端的 Profiling 与全链路排障
跨团队协作：与训练框架、调度、存储、硬件等团队配合，推动网络性能持续演进
优先资格
加分项：
有万卡以上 GPU 集群网络设计或长期运行经验
有高性能计算HPC应用开发经验，跑过全机级别的超大规模的并行任务
在 SIGCOMM/NSDI/SC/ISCA/OSDI等系统顶会发表过高性能网络或分布式训练方向论文
有智能网卡、可编程交换机的 固件/OS 开发经验（P4、SDN、SONiC 等），熟悉硬件卸载与加速流水线设计
熟悉 DPU/IPU/FPGA 等异构加速设备的开发
AI 洞察
优缺点分析
优点
- 身处大模型算力最核心的底层基础设施岗位，直接参与定义万卡级超算网络架构，技术影响力极大
- 与顶尖的系统/算子/框架工程师合作，技术成长飞速，项目成果直接体现为大模型训练效率的提升
- 技术栈前沿，涵盖RDMA、NCCL、拥塞控制、可编程交换机等，积累的经验在AI基础设施领域高度稀缺
- 技术门槛极高，需要同时精通网络、体系结构、分布式系统等多个领域，学习曲线陡峭
- 工作强度可能较大，涉及大规模集群的故障排查和性能优化，需要应对复杂系统的突发问题
- 作为B轮公司，业务不确定性相对大，但对有冒险精神的工程师而言也是机遇
缺点 / 挑战
- 适合对系统底层技术有浓厚兴趣、具备扎实系统编程和网络背景、愿意挑战万卡级超算网络难题的资深工程师
角色解读
- 技术专家路线：深耕超算网络领域，成为RDMA、拥塞控制、网络体系结构方向的顶尖专家
- 架构师路线：从网络组件到全系统架构，主导下一代超算网络整体设计，影响大模型训练效率
- 横向扩展：向训练框架、调度、存储、硬件等领域延伸，成为系统全栈工程师
- 设计超大规模GPU集群的网络互联架构和路由策略，实现逐包多路径负载均衡和乱序收包处理
- 构建端到端的网络可观测性系统，监控延迟、丢包、重传等指标，主导大规模训练的网络故障诊断
- 进行端到端的性能调优，结合计算机体系结构分析数据包传输路径中的瓶颈，并与多个团队协作推动网络性能持续演进
- 精通C/C++/Python系统编程，深入理解Linux内核网络栈和RDMA/RoCEv2/IB等高性能互联技术
- 精通大规模网络拓扑、路由与负载均衡设计，掌握RDMA拥塞控制机制，有NCCL或xCCL源码级开发或深度调优经验
- 深入理解计算机体系结构，能清晰描述数据包从内存到对端的全过程及其潜在瓶颈，具备大规模网络故障诊断实战经验
申请策略
- 在简历中详细描述参与过的超大规模集群网络架构设计或调优经历，越具体越好
- 面试前准备一个关于数据包从GPU到对端全链路的性能分析案例，展示体系结构深度
- 突出在大规模GPU集群网络设计、RDMA/NCCL调优方面的具体项目经验，量化性能提升指标（如带宽利用率、延迟降低等）
- 强调计算机体系结构的理解，如描述过数据包全链路瓶颈分析的实际案例
- 展示故障诊断和性能优化的实战成果，例如解决了PFC风暴或拥塞扩散等问题
- 深入学习NCCL源码和RDMA拥塞控制机制，准备一个相关的技术分享或实验
- 熟悉可编程交换机（P4、SONiC）或DPU/IPU开发，提升对硬件卸载流水线的理解
- 阅读系统顶会（SIGCOMM、NSDI等）相关论文，了解领域最新进展
面试指南
- 技术问题采用STAR法则：Situation（场景）、Task（任务）、Action（行动）、Result（结果），强调量化结果
- 体系结构类问题要画出数据流图，逐环节分析延迟、带宽、队列等指标，展示系统思维
- 对于开放性问题，先澄清问题边界，再给出多方案对比，最后推荐一种并说明理由
- 请描述RDMA拥塞控制机制的工作原理，以及如何应对PFC风暴
- 如何设计一个万卡集群的胖树网络拓扑？路由策略如何选择？
- 你如何调优NCCL AllReduce操作的性能？描述一个你遇到的瓶颈及解决方案
- 请从头开始描述一个数据包从GPU显存发送到对端GPU显存的全过程，包括涉及的关键组件和潜在瓶颈
- 如果训练集群出现慢节点，你如何定位原因？需要哪些可观测性数据？
匹配度报告
74
综合匹配度
前沿超算网络研发，技术栈高端，成长空间大，现场办公，薪资未披露。
适合人群
适合追求技术前沿和快速成长的求职者，对工作生活平衡要求不高，愿意在杭州现场投入。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活50
使命价值85
薪资福利匹配
70中等
薪资未在JD中披露，但大模型基础设施岗位通常薪资较高，公司B轮融资，福利未明确提及，综合判断补偿性满足程度中等偏上。
薪资信号未披露（AI估算：35K-65K/月）
成长发展匹配
90较高
该职位直接定义下一代超算网络架构，技术栈前沿（RDMA、NCCL、拥塞控制等），与顶尖工程师合作，成长空间极大。但JD未明确提及晋升通道和培训机会。
技术前沿前沿/新兴技术
技术栈RDMA、NCCL、拥塞控制、GPU集群、可编程交换机、计算机体系结构
业务类型profit_center
工作生活匹配
50较低
职位要求现场办公（杭州），未提及远程或弹性工作制，工作强度可能较大（涉及集群故障排查），生活化动机满足程度一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
85较高
大模型赛道高速增长，该职位直接提升训练效率、降低成本，社会价值较高，技术开拓性强。
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