如约见 · 技术研发 · DevOps/SRE

GPU 集群运维工程师

知乎 · 远程 · 薪资面议 · 更新于 2026/11/04

任职要求

经验:3年以上学历:本科及以上

岗位描述

1. 软件栈运维:负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。 2. 上线验收:可独立完成单机及多机性能基线验证,在节点交付租户前完成准入检测。 3. 监控告警:可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。 4. 故障处理:远程定位 GPU、网络、存储等软硬件故障,完成节点隔离、换件工单发起与跟进,与 IDC 及硬件厂商协作闭环;参与 on-call 轮值与故障复盘。 5. 调度平台与自动化:开发&运维 Kubernetes 调度平台,实现节点批量上下线与故障自愈,保障训练与推理业务稳定。 1. 本科及以上学历,计算机、通信或相关专业;3 年以上 Linux 运维或 SRE 经验,其中至少 1 年 GPU 或高性能计算集群运维经验。 2. 熟悉 NVIDIA GPU 软件栈(驱动、CUDA、DCGM、Fabric Manager、NCCL)。 3. 熟悉 InfiniBand 或 RoCE 网络的原理与排查方法,了解 RDMA 及 GPUDirect。 4. 熟悉 Nginx、Envoy、APISIX、Higress 等至少一种网关组件的部署与调优,了解负载均衡、限流及 HTTPS 证书配置。 5. 熟悉 Kubernetes 部署与运维,熟悉 Prometheus、Grafana 等监控体系。 加分项 1. 有千卡级 GPU 集群运维经验,或有 Hopper / Blackwell 平台的上线验收经验。 2. 熟悉Ceph分布式存储运维,了解分布式训练与推理的基本原理。 岗位职责 1. 软件栈运维:负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。 2. 上线验收:可独立完成单机及多机性能基线验证,在节点交付租户前完成准入检测。 3. 监控告警:可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。 4. 故障处理:远程定位 GPU、网络、存储等软硬件故障,完成节点隔离、换件工单发起与跟进,与 IDC 及硬件厂商协作闭环;参与 on-call 轮值与故障复盘。 5. 调度平台与自动化:开发&运维 Kubernetes 调度平台,实现节点批量上下线与故障自愈,保障训练与推理业务稳定。 任职要求 1. 本科及以上学历,计算机、通信或相关专业;3 年以上 Linux 运维或 SRE 经验,其中至少 1 年 GPU 或高性能计算集群运维经验。 2. 熟悉 NVIDIA GPU 软件栈(驱动、CUDA、DCGM、Fabric Manager、NCCL)。 3. 熟悉 InfiniBand 或 RoCE 网络的原理与排查方法,了解 RDMA 及 GPUDirect。 4. 熟悉 Nginx、Envoy、APISIX、Higress 等至少一种网关组件的部署与调优,了解负载均衡、限流及 HTTPS 证书配置。 5. 熟悉 Kubernetes 部署与运维,熟悉 Prometheus、Grafana 等监控体系。 加分项 1. 有千卡级 GPU 集群运维经验,或有 Hopper / Blackwell 平台的上线验收经验。 2. 熟悉Ceph分布式存储运维,了解分布式训练与推理的基本原理。 --- 社会招聘 首页 社会招聘 校园招聘 走进知乎 关于知乎 登录 首页 / 职位列表 / 职位详情 / 急 GPU 集群运维工程师 分享 全职 申请职位 职位描述 岗位职责 1. 软件栈运维:负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。 2. 上线验收:可独立完成单机及多机性能基线验证,在节点交付租户前完成准入检测。 3. 监控告警:可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。 4. 故障处理:远程定位 GPU、网络、存储等软硬件故障,完成节点隔离、换件工单发起与跟进,与 IDC 及硬件厂商协作闭环;参与 on-call 轮值与故障复盘。 5. 调度平台与自动化:开发&运维 Kubernetes 调度平台,实现节点批量上下线与故障自愈,保障训练与推理业务稳定。 任职要求 1. 本科及以上学历,计算机、通信或相关专业;3 年以上 Linux 运维或 SRE 经验,其中至少 1 年 GPU 或高性能计算集群运维经验。 2. 熟悉 NVIDIA GPU 软件栈(驱动、CUDA、DCGM、Fabric Manager、NCCL)。 3. 熟悉 InfiniBand 或 RoCE 网络的原理与排查方法,了解 RDMA 及 GPUDirect。 4. 熟悉 Nginx、Envoy、APISIX、Higress 等至少一种网关组件的部署与调优,了解负载均衡、限流及 HTTPS 证书配置。 5. 熟悉 Kubernetes 部署与运维,熟悉 Prometheus、Grafana 等监控体系。 加分项 1. 有千卡级 GPU 集群运维经验,或有 Hopper / Blackwell 平台的上线验收经验。 2. 熟悉Ceph分布式存储运维,了解分布式训练与推理的基本原理。 岗位职责 1. 软件栈运维:负责 NVIDIA Blackwell GPU 集群的操作系统、GPU 驱动、CUDA、Fabric Manager、NCCL 及网卡固件的部署、升级与版本管理。 2. 上线验收:可独立完成单机及多机性能基线验证,在节点交付租户前完成准入检测。 3. 监控告警:可基于 Prometheus、Grafana、DCGM Exporter 完成集群监控体系搭建。 4. 故障处理:远程定位 GPU、网络、存储等软硬件故障,完成节点隔离、换件工单发起与跟进,与 IDC 及硬件厂商协作闭环;参与 on-call 轮值与故障复盘。 5. 调度平台与自动化:开发&运维 Kubernetes 调度平台,实现节点批量上下线与故障自愈,保障训练与推理业务稳定。 任职要求 1. 本科及以上学历,计算机、通信或相关专业;3 年以上 Linux 运维或 SRE 经验,其中至少 1 年 GPU 或高性能计算集群运维经验。 2. 熟悉 NVIDIA GPU 软件栈(驱动、CUDA、DCGM、Fabric Manager、NCCL)。 3. 熟悉 InfiniBand 或 RoCE 网络的原理与排查方法,了解 RDMA 及 GPUDirect。 4. 熟悉 Nginx、Envoy、APISIX、Higress 等至少一种网关组件的部署与调优,了解负载均衡、限流及 HTTPS 证书配置。 5. 熟悉 Kubernetes 部署与运维,熟悉 Prometheus、Grafana 等监控体系。 加分项 1. 有千卡级 GPU 集群运维经验,或有 Hopper / Blackwell 平台的上线验收经验。 2. 熟悉Ceph分布式存储运维,了解分布式训练与推理的基本原理。 职位信息 职位类别 职位类别 - - 职位性质 职位性质 全职 全职

知乎其他在招岗位

同类在招岗位(技术研发)

岗位信息来自企业官方招聘渠道(zhihu),由如约见每日自动同步; 如已下架可前往职位雷达用 AI 匹配相似岗位,或浏览招聘岗位大全。