机器学习平台工程师（Kubernetes / GPU 基础设施方向）

优缺点分析

角色解读

• 从 K8s 基础设施工程师向资深平台架构师发展，主导大规模集群设计与优化
• 可转向 AI Infra 方向，成为大模型训练/推理平台的技术负责人
• 技术管理路径：技术主管/经理，带领基础设施团队支撑业务高速迭代
• 设计并维护支撑大模型训练/推理的 Kubernetes 平台，包括集群生命周期管理、节点治理以及网络/存储 CSI 插件开发
• 深度优化容器镜像分发，实现千节点集群 Pod 启动时间秒级化
• 研发平台化工具链（CLI/SDK/Web Console），覆盖实验管理、模型管理、MLOps 工作流，提升算法工程师效率
• 建设集群可观测性与成本治理体系，通过 eBPF/Prometheus 进行训练任务级资源画像与异常诊断
• 精通 Go 语言和分布式系统开发，具备扎实的操作系统、网络、存储基础
• 深度掌握 Kubernetes 生态（Scheduler/Operator/CRD/CSI/CNI），有 500+ 节点生产集群运维经验
• 熟悉 Linux 容器技术（containerd/runc/cgroup/seccomp）以及 GPU 服务器集群运维
• 了解 eBPF、Prometheus 等可观测性工具，具备性能优化和故障排查能力

申请策略

• 面试前深入研究该公司的大模型技术布局（如 Moonshot AI 的产品方向），体现对业务场景的理解
• 准备一个你主导的 K8s 集群优化项目 case，从问题定义到效果量化完整呈现
• 突出 K8s 生产集群运维或二次开发经验，特别是 500+ 节点规模的项目细节
• 强调 Go 语言项目经历，尤其是网络、存储、调度等底层模块的研发
• 展示 GPU 集群相关经验，如 GPU 拓扑感知调度、MIG/MPS 虚拟化等
• 如有开源贡献或社区参与（如 K8s SIG、Volcano），务必明确列出
• 系统学习 K8s 调度器框架（Scheduling Framework）和 Volcano/Koordinator 源码
• 补充 eBPF 和可观测性工具（Prometheus/Grafana）的使用与二次开发能力

面试指南

• 对于架构设计类问题，采用 STAR 法则（情境、任务、行动、结果），突出技术选型权衡和量化效果
• 对于技术原理类问题，从底层机制出发，结合线上实践案例，展示深度理解
• 对于优化类问题，先定义指标，再分析瓶颈，最后给出方案并验证结果
• 请详细描述你之前维护的一个大规模 K8s 集群的架构，以及遇到的典型问题与解决方案
• K8s 调度器如何实现自定义调度策略？请结合 Scheduler Framework 讲解
• 如何优化 GPU 节点的利用率？谈谈你对 MIG、MPS、显存分时复用的理解
• 请设计一个千节点集群的容器镜像分发方案，如何做到秒级 Pod 启动？
• 你如何通过 eBPF 和 Prometheus 实现训练任务的资源画像和异常诊断？