岗位职责： 1.硬件监控与维护： GPU 集群安装与维护，管理 BMC IPMI 硬件报警系统，建立和维护硬件告警工单体系； 2.负责机器内硬件固件的升级维护、问题定位，进行硬件／ BIOS 性能调优。监控和维护 RDMA 网络／交换机，调整水线，进行故障定位； 3.软件运维：负责监控、日志、存储、工单系统组件的搭建及运维管理； 4.IDC管理：负责 IDC 的备件库存管理，确保7*24小时 oncall 响应，处理机房问题（如断电、温度过高等），协调厂商上门升级服务，对故障机器组件（如网卡、主板、光模块、线缆）进行更换和维修； 5.远程分析数据中心运行中需求和技术问题，推动并提升数据中心的运维效率； 6.负责常见故障处理；协助进行现场资产的统计与登记，确保资产安全。 职位要求： 1.本科及以上学历，计算机、电子信息等相关专业； 2.至少3年以上机房运维或算力集群运维执行经理经验，熟悉人工智能和大模型行业； 3.熟悉高算力服务器产品，对于高算力服务器问题进行运营处理，具备一定的维修能力； 4.熟悉 Linux 系统、虚拟化技术、容器技术等，有大规模集群运维经验者优先。 5.精通监控和告警系统，如 Prometheus 、Grafana 、 Zabbix 等。 6.良好的沟通能力和团队协作精神，能够在压力下有效解决问题。