岗位职责

1. 负责超大规模服务器集群的交付保障、运行维护及资源退役，保障硬件资源稳定、高效运行；

2. 负责跟踪和处理服务器各类硬件故障，持续优化问题发现-定位-处置闭环机制，提升故障处理效率；

3. 负责AI大模型训练/推理集群相关服务器的运维支持，保障模型稳定性；

4. 负责协同网络、存储、数据中心等团队进行系统级故障协同定位及优化改进；

5. 负责推动新硬件上线适配及运维策略制定，确保平滑演进；

6. 负责运维可视化、自动化能力及故障预测预防能力建设。

任职要求

1. 本科及以上学历，计算机或相关专业；

2. 3年以上服务器硬件运维经验，有IDC实地运维或大规模集群支持经验者优先；

4. 熟悉主流服务器硬件架构，具备GPU服务器运维经验优先；

5. 具备处理AI大模型训练中常见硬件故障的能力；

6. 了解Linux操作系统基本命令，掌握常用日志分析与硬件健康检测工具；

7. 具备良好的开发能力，熟悉至少一种脚本语言（如 Python / Go / Shell），可独立开发或维护日常运维自动化工具；

8. 具备良好的沟通协作能力和问题分析能力，责任心强