{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI Infra测试开发工程师-存储方向",
        "job_level": "校招",AI生成
        "work_category": "全职",AI生成
        "department": "阿里云",
        "location": "成都 / 杭州",
        "work_mode": "未披露",AI生成
        "job_category": "技术类"AI生成
    },
    "company": {
        "company_name": "阿里云",
        "company_industry": "云计算 / 人工智能",
        "company_size": "10000人以上",
        "company_website": "alibaba.com",
        "company_description": "阿里云提供云基础设施、AI模型、智能体和计算服务。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": "",
        "degree": "未披露",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "1. 质量体系构建\n- 构建针对AI infra 的各种存储系统的专项质量防线。重点验证系统在多种计算和GPU形态下，训练，推理和Agent场景下的规模、多租户隔离、数据强一致性、稳定系与故障自愈、以及元数据与数据性能等方面的表现。\n2. 自动化与工程化能力建设\n- 框架与门禁：主导自动化测试框架演进与 CI/CD 回归体系建设，建立涵盖功能、性能、稳定性的多维度质量门禁（Release Gate）。\n- 复杂环境编排：搭建可复现、弹性伸缩的测试基线环境，支持\"\"各类计算形态+ 存储类型\"\"的矩阵式组合验证，覆盖单机至千卡万卡集群规模。\n3. 场景化系统验证\n- 端到端负载验证：针对大模型训练（Checkpoint 频繁写入/加载）与推理（模型权重快速分发）典型负载，开展稳定性、性能（吞吐/延迟/IOPS）、精度三位一体的系统级验证。\n- 存算协同优化：如深入分析在高并发读取下的带宽瓶颈，在预训练数据集加载中的缓存效率，以及 IO 抖动问题等，通过根因定位推动软硬件协同缺陷闭环。\n4. 方法论沉淀与效能赋能\n- 资产标准化：提炼通用的存储压力测试模型、数据一致性校验工具及故障注入脚本，形成标准化的 AI Infra 测试方法论。\n- 质量内建：赋能研发团队，通过左移测试策略，加速从底层存储引擎到上层 AI 应用栈的高质量迭代。",
        "requirements_text": "1. 核心技术栈能力\n• 具备 AI 全栈测试经验：熟悉 GPU 驱动、编译器、算子库、深度学习框架及容器化调度工具链的质量保障流程。\n• 具备云产品、分布式系统测试经验优先，举例如：\n- 例1：深入理解块存储原理，有 iSCSI/NVMe-oF 或云盘类产品测试经验者优先；\n- 例2：熟悉 对象存储协议（S3/OSS），了解分片上传、生命周期管理及元数据性能调优；\n- 例3：精通高性能并行文件存储（如 Lustre, GPFS, CephFS, JuiceFS 等），理解客户端缓存、条带化策略及元数据服务器架构，有大模型训练数据存储优化经验者优先；\n2. 测试设计与执行\n• 擅长设计覆盖边界条件、异常场景（如节点宕机、网络分区、磁盘满、元数据风暴）的测试用例，确保系统在极端工况下的鲁棒性。\n• 能够构建复杂的存算耦合场景，验证数据不同系统和内存等流转过程中的正确性与效率。\n3. 性能分析与调优\n• 熟练使用专业工具（iostat, fio, perf, nvprof, Nsight Systems 等）进行全链路性能剖析。\n• 能够独立输出数据驱动的性能瓶颈分析报告，针对 IO 等待、元数据延迟、带宽饱和等问题提出具体的架构或参数优化建议。\n4. 精度与一致性验证\n• 掌握数值精度验证方法，能识别因存储介质错误或传输压缩导致的静默数据损坏（Silent Data Corruption）。\n• 具备跨版本、跨平台的功能与性能差异对比分析能力。\n5. 工程开发与工具链\n• 精通 Python (pytest)或 Go/C++ (GoogleTest)，具备开发大规模自动化测试脚本、数据生成器及故障注入工具的能力。\n• 熟悉 CI/CD 流水线集成，有开发自定义 Jenkins/GitLab CI Plugin 或 K8s Test Operator 经验者优先。\n6. 问题定位与调试\n• 熟练运用 GDB, Valgrind, eBPF, 日志分析系统及内核追踪工具，具备在复杂分布式环境下精准定位 存储服务端与 AI 客户端 交互缺陷的能力。\n7.能力特质：\n• 具备强烈的质量主人翁意识，对系统稳定性有敬畏心，具备出色的系统性思维，能从全链路视角设计测试防护网；\n• 具备快速学习新技术的能力，并乐于将前沿AI Infra动态转化为质量保障实践；\n• 具备优秀的跨团队沟通与推动力，能在复杂协作中建立质量共识，面对模糊性和高压时，保持务实、冷静、结果导向。",
        "skills": [AI生成
            "Python",
            "C++",
            "深度学习",
            "分布式系统",
            "模型训练",
            "性能调优",
            "自动化测试",
            "分析能力",
            "Go",
            "大语言模型"
        ],
        "preferred_qualifications": "具备云产品、分布式系统测试经验优先，举例如：；例1：深入理解块存储原理，有 iSCSI/NVMe-oF 或云盘类产品测试经验者优先；例3：精通高性能并行文件存储（如 Lustre, GPFS, CephFS, JuiceFS 等），理解客户端缓存、条带化策略及元数据服务器架构，有大模型训练数据存储优化经验者优先；熟悉 CI/CD 流水线集成，有开发自定义 Jenkins/GitLab CI Plugin 或 K8s Test Operator 经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://campus-talent.alibaba.com/campus/position/199907640014?deptCodes="
            }
        ]
    },
    "posting": {
        "posting_id": "199907640014",
        "post_date": "2026-08-06",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://campus-talent.alibaba.com/campus/position/199907640014?deptCodes="
    },
    "fulltext": "AI Infra测试开发工程师-存储方向\nAI Infra测试开发工程师-存储方向\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：成都 / 杭州\n\n职位描述\n1. 质量体系构建\n- 构建针对AI infra 的各种存储系统的专项质量防线。重点验证系统在多种计算和GPU形态下，训练，推理和Agent场景下的规模、多租户隔离、数据强一致性、稳定系与故障自愈、以及元数据与数据性能等方面的表现。\n2. 自动化与工程化能力建设\n- 框架与门禁：主导自动化测试框架演进与 CI/CD 回归体系建设，建立涵盖功能、性能、稳定性的多维度质量门禁（Release Gate）。\n- 复杂环境编排：搭建可复现、弹性伸缩的测试基线环境，支持\"\"各类计算形态+ 存储类型\"\"的矩阵式组合验证，覆盖单机至千卡万卡集群规模。\n3. 场景化系统验证\n- 端到端负载验证：针对大模型训练（Checkpoint 频繁写入/加载）与推理（模型权重快速分发）典型负载，开展稳定性、性能（吞吐/延迟/IOPS）、精度三位一体的系统级验证。\n- 存算协同优化：如深入分析在高并发读取下的带宽瓶颈，在预训练数据集加载中的缓存效率，以及 IO 抖动问题等，通过根因定位推动软硬件协同缺陷闭环。\n4. 方法论沉淀与效能赋能\n- 资产标准化：提炼通用的存储压力测试模型、数据一致性校验工具及故障注入脚本，形成标准化的 AI Infra 测试方法论。\n- 质量内建：赋能研发团队，通过左移测试策略，加速从底层存储引擎到上层 AI 应用栈的高质量迭代。\n\n职位要求\n1. 核心技术栈能力\n• 具备 AI 全栈测试经验：熟悉 GPU 驱动、编译器、算子库、深度学习框架及容器化调度工具链的质量保障流程。\n• 具备云产品、分布式系统测试经验优先，举例如：\n- 例1：深入理解块存储原理，有 iSCSI/NVMe-oF 或云盘类产品测试经验者优先；\n- 例2：熟悉 对象存储协议（S3/OSS），了解分片上传、生命周期管理及元数据性能调优；\n- 例3：精通高性能并行文件存储（如 Lustre, GPFS, CephFS, JuiceFS 等），理解客户端缓存、条带化策略及元数据服务器架构，有大模型训练数据存储优化经验者优先；\n2. 测试设计与执行\n• 擅长设计覆盖边界条件、异常场景（如节点宕机、网络分区、磁盘满、元数据风暴）的测试用例，确保系统在极端工况下的鲁棒性。\n• 能够构建复杂的存算耦合场景，验证数据不同系统和内存等流转过程中的正确性与效率。\n3. 性能分析与调优\n• 熟练使用专业工具（iostat, fio, perf, nvprof, Nsight Systems 等）进行全链路性能剖析。\n• 能够独立输出数据驱动的性能瓶颈分析报告，针对 IO 等待、元数据延迟、带宽饱和等问题提出具体的架构或参数优化建议。\n4. 精度与一致性验证\n• 掌握数值精度验证方法，能识别因存储介质错误或传输压缩导致的静默数据损坏（Silent Data Corruption）。\n• 具备跨版本、跨平台的功能与性能差异对比分析能力。\n5. 工程开发与工具链\n• 精通 Python (pytest)或 Go/C++ (GoogleTest)，具备开发大规模自动化测试脚本、数据生成器及故障注入工具的能力。\n• 熟悉 CI/CD 流水线集成，有开发自定义 Jenkins/GitLab CI Plugin 或 K8s Test Operator 经验者优先。\n6. 问题定位与调试\n• 熟练运用 GDB, Valgrind, eBPF, 日志分析系统及内核追踪工具，具备在复杂分布式环境下精准定位 存储服务端与 AI 客户端 交互缺陷的能力。\n7.能力特质：\n• 具备强烈的质量主人翁意识，对系统稳定性有敬畏心，具备出色的系统性思维，能从全链路视角设计测试防护网；\n• 具备快速学习新技术的能力，并乐于将前沿AI Infra动态转化为质量保障实践；\n• 具备优秀的跨团队沟通与推动力，能在复杂协作中建立质量共识，面对模糊性和高压时，保持务实、冷静、结果导向。\n\n在招业务\n阿里云\n1. 质量体系构建\n- 构建针对AI infra 的各种存储系统的专项质量防线。重点验证系统在多种计算和GPU形态下，训练，推理和Agent场景下的规模、多租户隔离、数据强一致性、稳定系与故障自愈、以及元数据与数据性能等方面的表现。\n2. 自动化与工程化能力建设\n- 框架与门禁：主导自动化测试框架演进与 CI/CD 回归体系建设，建立涵盖功能、性能、稳定性的多维度质量门禁（Release Gate）。\n- 复杂环境编排：搭建可复现、弹性伸缩的测试基线环境，支持\"\"各类计算形态+ 存储类型\"\"的矩阵式组合验证，覆盖单机至千卡万卡集群规模。\n3. 场景化系统验证\n- 端到端负载验证：针对大模型训练（Checkpoint 频繁写入/加载）与推理（模型权重快速分发）典型负载，开展稳定性、性能（吞吐/延迟/IOPS）、精度三位一体的系统级验证。\n- 存算协同优化：如深入分析在高并发读取下的带宽瓶颈，在预训练数据集加载中的缓存效率，以及 IO 抖动问题等，通过根因定位推动软硬件协同缺陷闭环。\n4. 方法论沉淀与效能赋能\n- 资产标准化：提炼通用的存储压力测试模型、数据一致性校验工具及故障注入脚本，形成标准化的 AI Infra 测试方法论。\n- 质量内建：赋能研发团队，通过左移测试策略，加速从底层存储引擎到上层 AI 应用栈的高质量迭代。\n1. 核心技术栈能力\n• 具备 AI 全栈测试经验：熟悉 GPU 驱动、编译器、算子库、深度学习框架及容器化调度工具链的质量保障流程。\n• 具备云产品、分布式系统测试经验优先，举例如：\n- 例1：深入理解块存储原理，有 iSCSI/NVMe-oF 或云盘类产品测试经验者优先；\n- 例2：熟悉 对象存储协议（S3/OSS），了解分片上传、生命周期管理及元数据性能调优；\n- 例3：精通高性能并行文件存储（如 Lustre, GPFS, CephFS, JuiceFS 等），理解客户端缓存、条带化策略及元数据服务器架构，有大模型训练数据存储优化经验者优先；\n2. 测试设计与执行\n• 擅长设计覆盖边界条件、异常场景（如节点宕机、网络分区、磁盘满、元数据风暴）的测试用例，确保系统在极端工况下的鲁棒性。\n• 能够构建复杂的存算耦合场景，验证数据不同系统和内存等流转过程中的正确性与效率。\n3. 性能分析与调优\n• 熟练使用专业工具（iostat, fio, perf, nvprof, Nsight Systems 等）进行全链路性能剖析。\n• 能够独立输出数据驱动的性能瓶颈分析报告，针对 IO 等待、元数据延迟、带宽饱和等问题提出具体的架构或参数优化建议。\n4. 精度与一致性验证\n• 掌握数值精度验证方法，能识别因存储介质错误或传输压缩导致的静默数据损坏（Silent Data Corruption）。\n• 具备跨版本、跨平台的功能与性能差异对比分析能力。\n5. 工程开发与工具链\n• 精通 Python (pytest)或 Go/C++ (GoogleTest)，具备开发大规模自动化测试脚本、数据生成器及故障注入工具的能力。\n• 熟悉 CI/CD 流水线集成，有开发自定义 Jenkins/GitLab CI Plugin 或 K8s Test Operator 经验者优先。\n6. 问题定位与调试\n• 熟练运用 GDB, Valgrind, eBPF, 日志分析系统及内核追踪工具，具备在复杂分布式环境下精准定位 存储服务端与 AI 客户端 交互缺陷的能力。\n7.能力特质：\n• 具备强烈的质量主人翁意识，对系统稳定性有敬畏心，具备出色的系统性思维，能从全链路视角设计测试防护网；\n• 具备快速学习新技术的能力，并乐于将前沿AI Infra动态转化为质量保障实践；\n• 具备优秀的跨团队沟通与推动力，能在复杂协作中建立质量共识，面对模糊性和高压时，保持务实、冷静、结果导向。",
    "standard_classification": {
        "std_category_code": "T022",
        "std_aux_codes": [
            "T019"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}