云服务提供商站点可靠性工程师

负责构建和自动化基于Linux的GPU集群环境，改进平台可靠性、监控和事件响应流程，使用Kubernetes、Docker和Slurm支持AI基础设施，开发自动化工具链，与基础设施和硬件团队协作优化运营。

具备站点可靠性工程师或类似基础设施职位经验，精通Linux系统管理员和运维支持，具备Bash和Python的强脚本或编程能力，熟悉Kubernetes、Docker和集群级工具，理解HPC或AI工作负载，具备高可用性和高压生产环境操作经验，具备强大的故障排除、分析和问题解决能力，具有自动化优先 mindset 并热衷于利用AI驱动的运维工具。