【岗位职责】 1、K8s集群全生命周期管理：负责大规模K8s集群的规划、部署、升级及灾备，主导资源调度优化，确保业务的高可用与稳定性。 2、可观测性体系建设：搭建并维护覆盖基础设施至应用粒度的监控与日志平台，实现故障秒级告警、根因定位及海量日志的高效检索。 3、自动化与CMDB建设：推行IaC（基础设施即代码）实现环境一键交付；建设动态CMDB，确保资产数据实时准确，支撑成本核算与容量规划。 4、平台化开发：基于CRD/Operator模式定制开发自动化组件，将运维经验代码化，提升平台自动化水平。 5、AI算力支持：负责GPU节点的基础运维与故障排查，协助算法团队解决容器化训练中的资源与环境问题。 【任职要求】 1. 硬性门槛 统招本科及以上学历，3–5年运维/SRE经验，其中至少3年K8s生产环境实战经验。 核心技能：精通K8s架构原理，必须具备 Python 或 Go 开发能力，有 CRD、Controller 或 Operator 实际开发经验。 2. 技术栈要求 可观测性：精通 Prometheus/Grafana 监控体系及 ELK/Loki 日志栈的搭建、调优与告警治理。 云与资产：熟悉主流公有云（华为/腾讯/阿里）产品，有CMDB系统设计或维护经验优先。 3. 加分项（AI方向） 熟悉 Volcano、KubeFlow、MLflow 等至少一种MLOps工具。 了解GPU驱动、CUDA环境及多卡通信原理，有AI训练场景支持经验。