{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI基础设施研发工程师（Sandbox / 容器化)-MiMo",
        "job_level": "未披露",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": "工程建设/设施管理"AI生成
    },
    "company": {
        "company_name": "小米集团",
        "company_industry": "消费电子 / 智能制造 / 物联网",
        "company_size": "10000人以上",
        "company_website": "xiaomi.com",
        "company_description": "小米是一家消费电子和智能制造企业，以智能手机、智能硬件和物联网平台为核心。"
    },
    "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": "MiMo 大模型团队正在寻找熟悉 sandbox、容器化和云原生基础设施的研发工程师，一起建设面向大规模强化学习训练的基础设施能力。\n随着大模型 Agent 和代码能力训练进入大规模 RL 阶段，我们需要构建稳定、安全、可扩展的任务执行环境。你将参与设计和实现 sandbox 执行系统、容器调度平台、训练任务环境、隔离与资源管理机制，为大规模 Agent 任务、代码执行任务和 RL 训练提供底层 infra 支撑。\n\n工作职责\n1. 设计和建设面向 RL 训练的 sandbox 执行环境，支持代码运行、工具调用、浏览器自动化、文件系统操作、网络访问控制等能力。\n2. 基于 Docker、Kubernetes 等技术，构建可大规模调度的容器化任务运行平台，支持高并发、多租户、可观测、可恢复的训练任务执行。\n3. 参与大规模 RL 训练 infra 的 scaling，包括任务分发、资源调度、环境复用、状态隔离、失败恢复、日志采集和性能优化。\n4. 建设安全隔离机制，降低模型生成代码、Agent 工具调用和自动化执行带来的安全风险，包括权限控制、系统调用限制、网络隔离、资源限额等。\n5. 与模型训练、Agent 框架、数据和评测团队合作，将训练任务需求转化为稳定可用的执行环境和平台能力。\n6. 分析大规模训练过程中的系统瓶颈和故障问题，持续优化调度效率、资源利用率、任务吞吐和环境稳定性。\n7. 参与内部平台工具建设，包括任务管理、运行监控、日志查询、环境调试、指标看板和自动化运维能力。",
        "requirements_text": "任职要求\n1. 熟悉 Linux 系统、进程模型、文件系统、网络、权限控制和资源隔离机制。\n2. 熟悉 Docker、containerd、Kubernetes 等容器化和云原生技术，有实际生产环境使用或平台建设经验。\n3. 理解 sandbox / 隔离执行环境的核心问题，包括安全边界、资源限制、网络隔离、文件系统隔离、进程生命周期管理等。\n4. 熟悉至少一种后端或脚本语言，如 Go、Python、Rust、JavaScript / TypeScript、Shell 等，能够独立开发 infra 工具或平台服务。\n5. 具备分布式系统和基础设施工程意识，理解任务调度、队列、服务发现、监控告警、日志系统、故障恢复等常见机制。\n6. 对大模型训练、Agent 执行环境、代码运行平台或 RL 训练基础设施有兴趣，愿意深入理解训练系统对 infra 的需求。\n7. 具备良好的问题定位能力，能够在复杂系统中分析性能、稳定性和资源利用率问题。\n\n加分项\n1. 有大规模 Kubernetes 集群、在线执行平台、CI/CD 平台、Serverless、判题系统、代码沙箱或浏览器自动化平台建设经验。\n2. 熟悉 Linux namespace、cgroup、seccomp、AppArmor、SELinux、Firecracker、gVisor、Kata Containers 等隔离技术。\n3. 有高并发任务调度、批处理系统、工作流引擎、训练平台或 MLOps 平台建设经验。\n4. 熟悉 GPU / CPU 混合资源调度、分布式训练、Ray、Slurm、Argo Workflows、Volcano、KubeRay 等技术。\n5. 熟悉可观测性体系，如 Prometheus、Grafana、OpenTelemetry、Loki、ELK 等。\n6. 有安全工程经验，理解不可信代码执行、权限收敛、沙箱逃逸风险和多租户隔离。\n7. 有大模型 Agent、代码执行环境、强化学习训练平台或模型评测平台相关经验者优先。\n  \n我们希望你具备的特质\n1. 对底层系统和基础设施有真实经验，能把“能跑”做成“安全、稳定、可规模化地跑”。\n2. 对复杂系统中的稳定性、隔离性和性能问题敏感，喜欢把问题追到底。\n3. 能在快速变化的训练需求中抽象出通用平台能力，而不是只做一次性脚本。\n4. 对大模型和 Agent 训练基础设施有兴趣，愿意参与从 0 到 1、从小规模到大规模的系统建设。\n\n",
        "skills": [AI生成
            "Python",
            "JavaScript",
            "TypeScript",
            "Rust",
            "Linux",
            "Docker",
            "Kubernetes",
            "强化学习",
            "分布式系统",
            "模型训练",
            "Go",
            "大语言模型"
        ],
        "preferred_qualifications": "加分项；7. 有大模型 Agent、代码执行环境、强化学习训练平台或模型评测平台相关经验者优先",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7638549613247727926/detail"
            }
        ]
    },
    "posting": {
        "posting_id": "7638549613247727926",
        "post_date": "2026-05-11",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://xiaomi.jobs.f.mioffice.cn/index/m/position/7638549613247727926/detail"
    },
    "fulltext": "AI基础设施研发工程师（Sandbox / 容器化)-MiMo\n职位描述\nMiMo 大模型团队正在寻找熟悉 sandbox、容器化和云原生基础设施的研发工程师，一起建设面向大规模强化学习训练的基础设施能力。\n随着大模型 Agent 和代码能力训练进入大规模 RL 阶段，我们需要构建稳定、安全、可扩展的任务执行环境。你将参与设计和实现 sandbox 执行系统、容器调度平台、训练任务环境、隔离与资源管理机制，为大规模 Agent 任务、代码执行任务和 RL 训练提供底层 infra 支撑。\n\n工作职责\n1. 设计和建设面向 RL 训练的 sandbox 执行环境，支持代码运行、工具调用、浏览器自动化、文件系统操作、网络访问控制等能力。\n2. 基于 Docker、Kubernetes 等技术，构建可大规模调度的容器化任务运行平台，支持高并发、多租户、可观测、可恢复的训练任务执行。\n3. 参与大规模 RL 训练 infra 的 scaling，包括任务分发、资源调度、环境复用、状态隔离、失败恢复、日志采集和性能优化。\n4. 建设安全隔离机制，降低模型生成代码、Agent 工具调用和自动化执行带来的安全风险，包括权限控制、系统调用限制、网络隔离、资源限额等。\n5. 与模型训练、Agent 框架、数据和评测团队合作，将训练任务需求转化为稳定可用的执行环境和平台能力。\n6. 分析大规模训练过程中的系统瓶颈和故障问题，持续优化调度效率、资源利用率、任务吞吐和环境稳定性。\n7. 参与内部平台工具建设，包括任务管理、运行监控、日志查询、环境调试、指标看板和自动化运维能力。\n\n职位要求\n任职要求\n1. 熟悉 Linux 系统、进程模型、文件系统、网络、权限控制和资源隔离机制。\n2. 熟悉 Docker、containerd、Kubernetes 等容器化和云原生技术，有实际生产环境使用或平台建设经验。\n3. 理解 sandbox / 隔离执行环境的核心问题，包括安全边界、资源限制、网络隔离、文件系统隔离、进程生命周期管理等。\n4. 熟悉至少一种后端或脚本语言，如 Go、Python、Rust、JavaScript / TypeScript、Shell 等，能够独立开发 infra 工具或平台服务。\n5. 具备分布式系统和基础设施工程意识，理解任务调度、队列、服务发现、监控告警、日志系统、故障恢复等常见机制。\n6. 对大模型训练、Agent 执行环境、代码运行平台或 RL 训练基础设施有兴趣，愿意深入理解训练系统对 infra 的需求。\n7. 具备良好的问题定位能力，能够在复杂系统中分析性能、稳定性和资源利用率问题。\n\n加分项\n1. 有大规模 Kubernetes 集群、在线执行平台、CI/CD 平台、Serverless、判题系统、代码沙箱或浏览器自动化平台建设经验。\n2. 熟悉 Linux namespace、cgroup、seccomp、AppArmor、SELinux、Firecracker、gVisor、Kata Containers 等隔离技术。\n3. 有高并发任务调度、批处理系统、工作流引擎、训练平台或 MLOps 平台建设经验。\n4. 熟悉 GPU / CPU 混合资源调度、分布式训练、Ray、Slurm、Argo Workflows、Volcano、KubeRay 等技术。\n5. 熟悉可观测性体系，如 Prometheus、Grafana、OpenTelemetry、Loki、ELK 等。\n6. 有安全工程经验，理解不可信代码执行、权限收敛、沙箱逃逸风险和多租户隔离。\n7. 有大模型 Agent、代码执行环境、强化学习训练平台或模型评测平台相关经验者优先。\n  \n我们希望你具备的特质\n1. 对底层系统和基础设施有真实经验，能把“能跑”做成“安全、稳定、可规模化地跑”。\n2. 对复杂系统中的稳定性、隔离性和性能问题敏感，喜欢把问题追到底。\n3. 能在快速变化的训练需求中抽象出通用平台能力，而不是只做一次性脚本。\n4. 对大模型和 Agent 训练基础设施有兴趣，愿意参与从 0 到 1、从小规模到大规模的系统建设。\n\n\nMiMo 大模型团队正在寻找熟悉 sandbox、容器化和云原生基础设施的研发工程师，一起建设面向大规模强化学习训练的基础设施能力。\n随着大模型 Agent 和代码能力训练进入大规模 RL 阶段，我们需要构建稳定、安全、可扩展的任务执行环境。你将参与设计和实现 sandbox 执行系统、容器调度平台、训练任务环境、隔离与资源管理机制，为大规模 Agent 任务、代码执行任务和 RL 训练提供底层 infra 支撑。\n\n工作职责\n1. 设计和建设面向 RL 训练的 sandbox 执行环境，支持代码运行、工具调用、浏览器自动化、文件系统操作、网络访问控制等能力。\n2. 基于 Docker、Kubernetes 等技术，构建可大规模调度的容器化任务运行平台，支持高并发、多租户、可观测、可恢复的训练任务执行。\n3. 参与大规模 RL 训练 infra 的 scaling，包括任务分发、资源调度、环境复用、状态隔离、失败恢复、日志采集和性能优化。\n4. 建设安全隔离机制，降低模型生成代码、Agent 工具调用和自动化执行带来的安全风险，包括权限控制、系统调用限制、网络隔离、资源限额等。\n5. 与模型训练、Agent 框架、数据和评测团队合作，将训练任务需求转化为稳定可用的执行环境和平台能力。\n6. 分析大规模训练过程中的系统瓶颈和故障问题，持续优化调度效率、资源利用率、任务吞吐和环境稳定性。\n7. 参与内部平台工具建设，包括任务管理、运行监控、日志查询、环境调试、指标看板和自动化运维能力。\n任职要求\n1. 熟悉 Linux 系统、进程模型、文件系统、网络、权限控制和资源隔离机制。\n2. 熟悉 Docker、containerd、Kubernetes 等容器化和云原生技术，有实际生产环境使用或平台建设经验。\n3. 理解 sandbox / 隔离执行环境的核心问题，包括安全边界、资源限制、网络隔离、文件系统隔离、进程生命周期管理等。\n4. 熟悉至少一种后端或脚本语言，如 Go、Python、Rust、JavaScript / TypeScript、Shell 等，能够独立开发 infra 工具或平台服务。\n5. 具备分布式系统和基础设施工程意识，理解任务调度、队列、服务发现、监控告警、日志系统、故障恢复等常见机制。\n6. 对大模型训练、Agent 执行环境、代码运行平台或 RL 训练基础设施有兴趣，愿意深入理解训练系统对 infra 的需求。\n7. 具备良好的问题定位能力，能够在复杂系统中分析性能、稳定性和资源利用率问题。\n\n加分项\n1. 有大规模 Kubernetes 集群、在线执行平台、CI/CD 平台、Serverless、判题系统、代码沙箱或浏览器自动化平台建设经验。\n2. 熟悉 Linux namespace、cgroup、seccomp、AppArmor、SELinux、Firecracker、gVisor、Kata Containers 等隔离技术。\n3. 有高并发任务调度、批处理系统、工作流引擎、训练平台或 MLOps 平台建设经验。\n4. 熟悉 GPU / CPU 混合资源调度、分布式训练、Ray、Slurm、Argo Workflows、Volcano、KubeRay 等技术。\n5. 熟悉可观测性体系，如 Prometheus、Grafana、OpenTelemetry、Loki、ELK 等。\n6. 有安全工程经验，理解不可信代码执行、权限收敛、沙箱逃逸风险和多租户隔离。\n7. 有大模型 Agent、代码执行环境、强化学习训练平台或模型评测平台相关经验者优先。\n  \n我们希望你具备的特质\n1. 对底层系统和基础设施有真实经验，能把“能跑”做成“安全、稳定、可规模化地跑”。\n2. 对复杂系统中的稳定性、隔离性和性能问题敏感，喜欢把问题追到底。\n3. 能在快速变化的训练需求中抽象出通用平台能力，而不是只做一次性脚本。\n4. 对大模型和 Agent 训练基础设施有兴趣，愿意参与从 0 到 1、从小规模到大规模的系统建设。\n\n",
    "standard_classification": {
        "std_category_code": "T018",
        "std_aux_codes": [],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}