岗位职责
1、搭建AI运维平台核心架构，支持大模型训练与推理任务的资源调度及性能监控能力
2、基于Genkit框架开发AI工作流引擎，融合RAG增强技术与多模态数据处理功能
3、设计可观测性数据采集方案，集成OpenTelemetry实现对LLM推理过程的多维度指标追踪
4、优化分布式任务间通信机制，保障千卡规模集群的加速比不低于90%
5、开发智能故障预测组件，利用时序数据分析实现硬件异常的提前预警
6、构建高效对接矢量数据库（如Pinecone）的交互层，满足知识库实时检索需求

岗位要求
1、具备3年以上Go/Python开发经验，掌握Beego/Gin等框架的源码级定制与扩展
2、精通微服务治理机制，拥有生产环境中Kubernetes集群的实际运维经验
3、熟悉Genkit/Firebase等AI框架的集成开发，了解Dotprompt模板设计标准
4、有AI系统可观测性平台建设经验，熟练使用Prometheus与AlertManager构建监控告警体系
5、掌握大模型训练相关技术栈（如PyTorch分布式训练），具备通信效率优化能力
6、理解向量数据库工作原理，具备RAG场景下的工程落地实践经验

优先条件
1、参与过LLM训练集群运维系统的开发工作（如资源弹性调度、故障自愈等功能）
2、熟悉GPU监控关键指标（如显存占用率、SM利用率等）
3、有AI工作流可视化编排工具的实际开发经历
4、了解LangChain等大模型应用框架的监控集成方式