哈啰出行
超算平台SRE工程师
超算平台SRE工程师
发布于 1 天前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
学历未注明
GPU
HPC
GO
CI/CD
容器化
云原生
自动化运维
K8S Operator
Loki
AI 估算 · 30k–50k
超算平台SRE技术难度高，人才稀缺，大厂薪资竞争力强，一线城市薪资较高。
职位详情
关于这个职位
该职位负责哈啰出行万卡超算集群的高可用性、稳定性和性能保障，涉及多云、多集群环境
你将构建和优化监控、告警、日志、容量规划及自动化运维体系，支撑AI训练和推理平台
适合有大型集群运维经验、精通K8s和自动化运维的SRE工程师
最低要求
精通 Linux 系统、Shell/Python/Go 脚本，熟悉集群管理和运维工具
熟悉 Kubernetes、容器化部署、网络和存储管理
有大型 HPC/AI 超算集群或云原生平台 SRE 运维经验优先
工作职责
负责万卡超算集群、多云、多集群环境的高可用性、稳定性和性能保障
构建和优化监控、告警、日志、追踪、容量规划及自动化运维体系
支撑训练、推理和资产管理平台的端到端可靠性和性能优化
接触前沿技术：Prometheus/Grafana、Loki、K8s Operator、自动化运维、云原生平台
优先资格
加分项：
熟悉 GPU/AI 作业调度与性能优化
有多云、多集群环境下监控、告警和容量管理经验
有自动化运维、CI/CD、SLO/SLA 制定与落地经验
AI 洞察
优缺点分析
- 技术前沿：直接接触万卡超算集群、多云多集群、Prometheus/Grafana等云原生技术栈，技能稀缺性强
- 平台优秀：哈啰出行作为超大型互联网企业，提供稳定职业平台和丰富资源
- 成长空间大：AI基础设施需求旺盛，SRE工程师可向更高阶架构师发展，职业前景好
- 薪资竞争力强：高级SRE在一线互联网公司薪资水平高，且多为15薪以上
- 工作强度较大：万卡集群规模大，故障复杂，可能需On-call响应紧急问题，压力不小
- 技术门槛高：需要同时精通Linux、K8s、自动化运维、AI调度等多方面知识，持续学习要求高
- 竞争激烈：大厂SRE岗位吸引众多优秀候选人，面试难度较大
- 适合热爱挑战、对大规模基础设施有浓厚兴趣，具备扎实运维功底和编程能力，渴望在AI超算领域深入发展的技术工程师
角色解读
- 技术纵深：成为超算/云原生SRE专家，主导大规模集群架构设计与优化
- 管理方向：晋升为SRE团队负责人或基础设施技术经理，带领团队保障系统稳定性
- 横向拓展：转向AI基础设施架构师或平台工程，结合业务需求推动平台演进
- 负责哈啰万卡超算集群的高可用性、稳定性及性能保障，确保AI训练与推理任务平稳运行
- 构建和优化监控、告警、日志、追踪及容量规划等自动化运维体系，提升集群运维效率
- 支撑训练、推理和资产管理平台的端到端可靠性，解决大规模分布式系统故障
- 接触前沿技术如K8s Operator、云原生平台，参与多云、多集群环境的SRE实践
- 精通Linux内核及Shell/Python/Go脚本编程，具备强大的故障排查和自动化能力
- 熟悉Kubernetes、容器化部署、网络与存储管理，有大规模集群运维经验
- 了解GPU/AI作业调度、性能优化，具备SLO/SLA制定与落地经验优先
- 熟悉Prometheus、Grafana、Loki等监控告警工具，以及CI/CD和自动化运维工具
申请策略
- 深入了解哈啰出行业务及AI方向（如智能调度、图像识别等），在面试中展现对业务场景的理解
- 关注公司技术博客或开源项目，了解其技术栈和团队文化，便于面试中对齐
- 突出HPC/AI超算集群或大规模Kubernetes集群的运维经验，用具体数据说明集群规模、故障处理成果
- 强调自动化运维项目，如自研监控工具、告警优化、容量规划自动化等，体现工程化能力
- 展示编程能力，附上GitHub或贡献的开源项目（如Prometheus exporter、K8s operator等）
- 如有CI/CD、SLO/SLA落地经验，务必单独列出，突出可量化成果
- 补充GPU作业调度与性能优化知识，了解NVIDIA NGC、TensorFlow分布式训练等
- 学习多云管理平台（如terraform、Rancher）及容器网络方案（Calico、Cilium）
面试指南
- 使用STAR法则：情境-任务-行动-结果，突出你的分析思路和技术深度
- 强调系统性思维：从问题定位、应急恢复、根因分析到长期改进的完整闭环
- 结合业务影响：说明故障对训练任务的影响，体现SRE的责任感
- 描述你处理过的最复杂的一次集群故障，你是如何定位和解决的？
- 如果Kubernetes集群节点出现资源争抢，如何设计CPU和内存的QoS策略？
- 如何为万卡GPU集群设计监控和告警系统？关键指标和阈值如何设定？
- 谈谈你对SLO/SLA的理解，如何为一个关键服务设计SLO并确保达标？
- 在多云多集群环境下，如何实现统一日志采集和故障排查？
匹配度报告
74
综合匹配度
大厂高级SRE，前沿技术栈，薪资偏高，但WLB一般。
适合人群
适合重视技术成长和薪资回报、但对工作生活平衡要求不高的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利匹配
85较高
该职位薪资在市场偏高水平，但JD未明确福利，整体补偿性较好。
薪资信号未披露 (30K-50K/月)
成长发展匹配
90较高
技术栈前沿（K8s、Prometheus、GPU调度），成长空间大，鼓励自动化运维和SLO落地，发展性极佳。
技术前沿前沿/新兴技术
技术栈Kubernetes、Prometheus、Grafana、Loki、K8s Operator、自动化运维、云原生、HPC、AI、GPU、CI/CD
业务类型cost_center
工作生活匹配
50较低
仅现场办公，未提及弹性工作或远程，且可能有On-call压力，生活方式支持一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
AI基础设施支撑业务创新，具有一定社会价值，但岗位本身使命信号不强。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs