工作内容:维护K8S集群，在集群上部署flagopen大模型平台+维护AI集群GPU服务相关的工作。画像: 必须项:在K8S集群上做平台部署的运维。1、优先寻找做过大模型相关项目的K8S运维部署，维护过GPU服务器的工作。2、次之做K8S平台运维，在K8S集群平台上部署过数据平台或者其他业务平台，3、在CPU服务器上面做的K8S集群部署也可以。加分项:做过GPU运维监控体系的。

工作职责: 部署运维AI/数据平台，管理K8s集群及GPU服务器(驱动/CUDA/监控)搭建Prometheus+Grafana监控体系及ELK/Loki日志系统，使用自动化监控工排查AI训练任务异常(GPU利用率低等)及数据平台故障 岗位要求: 必备: 3年+K8s生产运维经验，熟悉Calico网络 熟练搭建Prometheus监控告警体系及ELK/Loki日志系统 熟悉GPU服务器运维(NVIDIA驱动/CUDA)及Linux/Shell/Ansible 加分项: AI算力平台运维经验 了解RDMA/InfiniBand/RoCE网络 熟悉Python/Go 软技能: 强问题定位能力，主动沟通，抗压好学