现场可靠性工程师

Fluidstack的现场可靠性工程师（SRE）位于基础设施核心，跨软件、硬件和运营确保全球GPU云的可靠性和性能。他们与网络、平台工程和数据中心运营团队紧密合作，构建能够满足AI工作负载需求的系统。SRE需要动手实践，具备深厚的系统知识和强大的沟通能力。您将负责解决复杂生产问题，部署稳健的基础设施，并持续改进平台的稳定性和可观测性。日常工作可能包括部署1000+ GPU集群使用定制编写的工作流；验证底层计算、存储和网络基础设施的正确性和性能；将PB级数据从公共云平台迁移到本地存储；调试从“服务器风扇被塑料袋阻挡”到“优化不同区域S3数据加载器”的任何问题；构建内部工具以减少部署时间和提高集群可靠性。

5年以上SRE、DevOps、Sysadmin和/或HPC工程经验。英语口语和写作能力优秀。具备Kubernetes和/或SLURM集群部署和操作经验。具备Go、Python、Bash编写经验。熟悉Ansible、Terraform等自动化或IAC工具。强工程背景， preferably在计算机科学、软件工程、数学、计算机工程等类似领域。

具有竞争力的总薪酬包（工资+股权）。退休或养老金计划，符合当地规范。健康、牙科和视力保险。 generous PTO政策，符合当地规范。

Fluidstack是一家致力于推动人工超级智能的初创公司，提供GW级计算能力给全球最大的AI实验室。