主分类：云基础设施与系统软件研发
辅助：生产运维与可靠性工程（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "系统可用性与性能工程专家（GPU性能与稳定性工程师） - AI算力基础设施",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "后端"AI生成
},
"company": {
"company_name": "字节跳动",
"company_industry": "互联网 / 数字内容 / 电商",
"company_size": "10000人以上",
"company_website": "bytedance.com",
"company_description": "字节跳动提供内容创作、信息分发、电商和协作产品，旗下产品包括抖音、今日头条、TikTok和飞书。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "本科及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、系统可用性提升：面向百万级数据中心服务器和操作系统，与系统技术专家、SRE团队深度协作，设计和研发故障诊断和风险治理工具平台，保障系统软硬件的稳定性；\n2、系统性能评测与分析：研发GPU性能基准用例，覆盖计算、通信、内存等维度；研发面向业务场景的CPU和GPU性能观测和分析工具平台；\n3、设计并落地集群级GPU稳定性观测架构，覆盖XID错误码、ECC错误、NVLink状态、功耗等核心硬件的关键指标；\n4、复杂问题攻关：参与重大故障应急响应，开展跨硬件/OS/应用的可用性与性能问题定位。",
"requirements_text": "1、本科及以上学历，计算机/电子工程/自动化等相关专业，3年以上AI系统基础设施或运维系统的开发经验；\n2、深入理解GPU架构与故障模式，熟悉ECC错误、XID错误码体系、NVLink/IB互连拓扑、GPU相关软件；\n3、具有GPU相关的基础知识，熟悉CUDA的基本使用，具有一定的CUDA编程能力；\n4、编程能力：Python/Go编程能力扎实，具备系统级工具平台开发经验；\n5、熟悉Prometheus+Grafana+ClickHouse等可观测性技术栈，具备AI集群指标采集与告警体系建设经验。\n\n加分项\n1、具备GPU平台的运维和调度相关的经验，熟悉AI业务场景的运维特点和故障模式；\n2、支持过GPU集群通用模型训练/大模型推理优先；熟悉PyTorch，SGLang/vLLM等框架开发使用经验；\n3、具备NVIDIA/AMD/国产GPU多平台性能评测与稳定性验证经验。",
"skills": [AI生成
"Python",
"ClickHouse",
"PyTorch",
"CUDA",
"模型训练",
"大语言模型"
],
"preferred_qualifications": "加分项；2、支持过GPU集群通用模型训练/大模型推理优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://jobs.bytedance.com/experienced/position/7669627934847928581/detail"
}
]
},
"posting": {
"posting_id": "7669627934847928581",
"post_date": "2026-08-03",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://jobs.bytedance.com/experienced/position/7669627934847928581/detail"
},
"fulltext": "系统可用性与性能工程专家（GPU性能与稳定性工程师） - AI算力基础设施\n职位描述\n团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、系统可用性提升：面向百万级数据中心服务器和操作系统，与系统技术专家、SRE团队深度协作，设计和研发故障诊断和风险治理工具平台，保障系统软硬件的稳定性；\n2、系统性能评测与分析：研发GPU性能基准用例，覆盖计算、通信、内存等维度；研发面向业务场景的CPU和GPU性能观测和分析工具平台；\n3、设计并落地集群级GPU稳定性观测架构，覆盖XID错误码、ECC错误、NVLink状态、功耗等核心硬件的关键指标；\n4、复杂问题攻关：参与重大故障应急响应，开展跨硬件/OS/应用的可用性与性能问题定位。\n\n职位要求\n1、本科及以上学历，计算机/电子工程/自动化等相关专业，3年以上AI系统基础设施或运维系统的开发经验；\n2、深入理解GPU架构与故障模式，熟悉ECC错误、XID错误码体系、NVLink/IB互连拓扑、GPU相关软件；\n3、具有GPU相关的基础知识，熟悉CUDA的基本使用，具有一定的CUDA编程能力；\n4、编程能力：Python/Go编程能力扎实，具备系统级工具平台开发经验；\n5、熟悉Prometheus+Grafana+ClickHouse等可观测性技术栈，具备AI集群指标采集与告警体系建设经验。\n\n加分项\n1、具备GPU平台的运维和调度相关的经验，熟悉AI业务场景的运维特点和故障模式；\n2、支持过GPU集群通用模型训练/大模型推理优先；熟悉PyTorch，SGLang/vLLM等框架开发使用经验；\n3、具备NVIDIA/AMD/国产GPU多平台性能评测与稳定性验证经验。\n团队介绍：字节跳动基础设施部门，负责字节跳动的全栈算力基础设施，从芯片服务器产研、到超大规模数据中心，到传统云平台和如今的AI Native Cloud，全方位为抖音、豆包、今日头条、飞书、火山引擎等各类产品提供领先、稳定的百万量级大规模算力基础设施服务。我们的领域涵盖数据中心建设、内核操作系统开发、服务器集群管理、高速网络通信、EB级数据存储体系、搜索型数据库探索、基于LLM的AI基础设施的研发调度与治理等，致力于打造业界领先的、面向LLM的AI云原生基础设施架构与产品矩阵。\n\n1、系统可用性提升：面向百万级数据中心服务器和操作系统，与系统技术专家、SRE团队深度协作，设计和研发故障诊断和风险治理工具平台，保障系统软硬件的稳定性；\n2、系统性能评测与分析：研发GPU性能基准用例，覆盖计算、通信、内存等维度；研发面向业务场景的CPU和GPU性能观测和分析工具平台；\n3、设计并落地集群级GPU稳定性观测架构，覆盖XID错误码、ECC错误、NVLink状态、功耗等核心硬件的关键指标；\n4、复杂问题攻关：参与重大故障应急响应，开展跨硬件/OS/应用的可用性与性能问题定位。\n1、本科及以上学历，计算机/电子工程/自动化等相关专业，3年以上AI系统基础设施或运维系统的开发经验；\n2、深入理解GPU架构与故障模式，熟悉ECC错误、XID错误码体系、NVLink/IB互连拓扑、GPU相关软件；\n3、具有GPU相关的基础知识，熟悉CUDA的基本使用，具有一定的CUDA编程能力；\n4、编程能力：Python/Go编程能力扎实，具备系统级工具平台开发经验；\n5、熟悉Prometheus+Grafana+ClickHouse等可观测性技术栈，具备AI集群指标采集与告警体系建设经验。\n\n加分项\n1、具备GPU平台的运维和调度相关的经验，熟悉AI业务场景的运维特点和故障模式；\n2、支持过GPU集群通用模型训练/大模型推理优先；熟悉PyTorch，SGLang/vLLM等框架开发使用经验；\n3、具备NVIDIA/AMD/国产GPU多平台性能评测与稳定性验证经验。",
"standard_classification": {
"std_category_code": "T018",
"std_aux_codes": [
"T020"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}