IT运维工程师（算力管理 & 基础设施方向）

Job description

团队介绍 AI Infra 团队致力于构建面向科学智能（AI for Science）的新一代人工智能基础设施，从底层到应用层系统性打造高性能、高可靠、开发者友好的机器学习平台，支撑大规模科学计算与 AI 模型研发；同时深度优化关键算法的系统实现，包括机器学习力场（MLFF）、生成式 AI（GenAI）、大语言模型（LLM）等核心算子，显著提升推理效率；此外，团队积极探索 Agentic AI 前沿方向，构建支持多智能体协作、工具调用与检索增强生成（RAG）的智能体运行框架，推动 AI 从"感知智能"迈向"推理与行动智能"。 岗位职责

• 算力资源管理
• 负责 GPU / CPU 服务器集群的日常运维、资源调度与状态监控
• 管理算力资源的分配、利用率追踪与容量规划
• 配合算法团队进行 GPU 服务器的性能测试、基准评测与选型评估
• 硬件采购与交付
• 参与 GPU / CPU 服务器的技术选型、测试验证与采购流程
• 跟进服务器到货、上架、组网及验收全流程
• 管理硬件资产台账与生命周期
• 网络与基础设施管理
• 负责办公网络与机房网络的日常运维，包括交换机、路由器、防火墙的配置与管理
• 保障高速互联网络（如 InfiniBand / RoCE）在 GPU 集群中的稳定运行
• 监控网络质量，快速响应和排除网络故障
• 终端设备运维
• 负责台式机、笔记本电脑的软硬件安装、配置与故障处理
• 管理员工终端设备资产，提供日常 IT 支持
• 软件与系统运维
• 维护 Linux 服务器的操作系统、驱动、内核等基础软件环境
• 管理常用中间件及监控系统的部署与维护（如 Prometheus、Grafana、ELK 等）
• 编写运维脚本，推动运维流程的自动化与规范化
• 服务器管理
• 管理服务器的 BIOS/BMC 配置、固件升级及硬件健康监测
• 负责服务器生命周期管理，包括上架、运维、退役等 任职要求
• 全日制本科及以上学历，计算机、电子工程、通信等相关专业
• 3 年以上 IT 运维或基础设施运维经验，有 GPU 集群运维经验者优先
• 熟悉 Linux 操作系统（RedHat/ Ubuntu 等），具备 Shell/Python 脚本编写能力
• 了解常见网络协议（TCP/IP、DNS、VLAN、BGP 等），具备基本的网络故障排查能力
• 了解 GPU 服务器的硬件架构（如 NVIDIA A/H/B 系列卡、NVLink、PCIe 拓扑等）
• 具备基本的硬件故障诊断与替换能力
• 有服务器采购、验机、上架部署的全流程经验
• 具备良好的沟通协调能力，能使用普通话和英语作为工作语言
• Base 香港，或能立即赴港工作 加分项
• 有 InfiniBand 或 RoCE 等高速网络运维经验
• 熟悉 Slurm / Kubernetes 等资源调度系统的运维
• 熟悉 Prometheus + Grafana + AlertManager 监控栈
• 有数据中心（IDC）或实验室机房管理经验
• 熟悉主流服务器品牌（Dell / HPE / Supermicro / 浪潮等）的管理工具
• 具备基本的 ITIL 运维流程意识 我们提供
• 深度参与前沿 AI 基础设施建设，直接接触大规模 GPU 集群
• 深度参与 AI for Science 前沿基础设施建设的机会，与顶尖算法和系统工程师并肩工作。
• 开放的技术氛围，鼓励技术创新与前沿探索。
• 有竞争力的薪酬福利与职业发展空间。