崗位職責
1、搭建AI運維平臺核心架構，支持大模型訓練與推理任務的資源調度及性能監控能力
2、基于Genkit框架開發AI工作流引擎，融合RAG增強技術與多模態數據處理功能
3、設計可觀測性數據采集方案，集成OpenTelemetry實現對LLM推理過程的多維度指標追蹤
4、優化分布式任務間通信機制，保障千卡規模集群的加速比不低于90%
5、開發智能故障預測組件，利用時序數據分析實現硬件異常的提前預警
6、構建高效對接矢量數據庫（如Pinecone）的交互層，滿足知識庫實時檢索需求

崗位要求
1、具備3年以上Go/Python開發經驗，掌握Beego/Gin等框架的源碼級定制與擴展
2、精通微服務治理機制，擁有生產環境中Kubernetes集群的實際運維經驗
3、熟悉Genkit/Firebase等AI框架的集成開發，了解Dotprompt模板設計標準
4、有AI系統可觀測性平臺建設經驗，熟練使用Prometheus與AlertManager構建監控告警體系
5、掌握大模型訓練相關技術棧（如PyTorch分布式訓練），具備通信效率優化能力
6、理解向量數據庫工作原理，具備RAG場景下的工程落地實踐經驗

優先條件
1、參與過LLM訓練集群運維系統的開發工作（如資源彈性調度、故障自愈等功能）
2、熟悉GPU監控關鍵指標（如顯存占用率、SM利用率等）
3、有AI工作流可視化編排工具的實際開發經歷
4、了解LangChain等大模型應用框架的監控集成方式