1. 岗位调研：真实招聘要求
1.1 调研方法与可信度说明
- 调研时间：2026-10-13。
- 来源：公司官网（NVIDIA Workday、阿里云招聘、北京大学医学部人事处），以及岗位的第三方镜像或聚合页（猎聘、全职招聘网、WatchJobs、JobConnect、Ashby、Teal、Broxer、EduCativ）。
- 没能直接核实的部分：
- Boss直聘、拉勾的岗位详情页需要登录或做了反爬，本报告没有使用来自这两个平台的数据。
- 阿里云官网岗位页靠 JS 渲染，只能确认岗位名称；具体要求取自猎聘上阿里云发布的同类岗位。
- 月之暗面只找到一个“推理框架工程师（校招）”，偏 C++/CUDA 开发，没有找到 SRE 类岗位。
- 智谱没有找到公开的 SRE 或 GPU 运维岗位。
- 字节跳动：搜索结果提到了“机器学习系统SRE工程师-Seed Model”，但我没有打开原始页面核实，所以只列出能核实的新加坡 DCS SRE 岗位。
- WatchJobs 上的薪资标的是“AI 估算”，不是公司公布的薪资，下表中会单独标出。
1.2 岗位清单（18 个）
| # | 公司 / 岗位 | 地点 | 关键要求（摘录） | 来源 | 备注 |
|---|---|---|---|---|---|
| P1 | 镁伽科技：运维工程师（GPU算力集群） | — | 5年 Linux 运维（含 1 年 GPU 集群经验）；驱动/CUDA/cuDNN/NCCL；XID、掉卡排查；K8s/Slurm；IB/RoCE；Ceph/Lustre/GPFS/WEKA；Prometheus/Grafana | quanzhi.com | 第三方聚合 |
| P2 | 腾讯：AI 网络集合通信库运营工程师 | 北京 | 深入 NCCL（Channel/Transport/Proxy）；AllReduce 的 Ring/Tree 算法；NVLink、GPU Direct RDMA；TP/PP/DP/EP 并行；nvidia-smi、DCGM、nccl-tests、Nsight | 猎聘 | 偏专家方向 |
| P3 | 北京大学健康医疗大数据国家研究院：AI算力运维工程师 | 北京 | Slurm；CUDA/cuDNN/NCCL；Docker/Apptainer；DCGM 监控；RDMA/IB；PyTorch 分布式；MIG；GPU-hour 统计 | 北大医学部人事处 | 官方，2026-08-21 发布；只要求 1 年经验，门槛较低 |
| P4 | 中鼎股份：智算中心集群技术负责人 | 宣城 | 万卡集群；IB/RoCEv2；NCCL；Slurm/K8s；DCGM+Prometheus；99.99% SLA；昇腾国产卡双栈 | 猎聘 | 管理岗 |
| P5 | 长江存储：高级 ModelOps 工程师（基础设施与推理优化） | 上海 | K8s GPU 集群（20+ 节点）；IB/RoCE；SLO；NCCL 超时、OOM 排查；精通 vLLM/SGLang/TRT-LLM 中的一种；量化；KV Cache；TTFT/TPOT | 猎聘 | 页面摘录写的是“3 年以上基础设施/后端经验”，另一条搜索摘要称“8 年以上、30–40K·15 薪”，两者有出入，以原页为准 |
| P6 | MiniMax：SRE 运维研发工程师-云原生 | 上海/北京 | 大规模 K8s；监控/日志/网络/存储；Operator/CSI/CNI 加分；熟悉 Volcano、Kueue 加分；有 GPU 集群经验加分 | JobConnect | 页面标 40–70 万/年（第三方，未经官方核实）。和 SRE 背景最匹配 |
| P7 | MiniMax：大模型训练系统专家 | 上海/北京 | 训练稳定性（ETTR）与效率（MFU）；故障诊断与自动恢复；Checkpoint；全链路可观测 | JobConnect | 偏研发方向 |
| P8 | 腾讯：AI Infra SRE 工程师 | 深圳/北京 | 3 年以上 SRE；Python/Go；K8s；LLMOps/MLOps；容量规划；GPU 利用率与成本；AIOps | WatchJobs | 薪资为 AI 估算 |
| P9 | 腾讯：大模型训练 SRE 工程师 | 深圳/上海/北京 | 了解预训练/后训练流程；Megatron/PyTorch；GPU、NCCL、K8s；驱动/CUDA/RDMA 调优；On-call | WatchJobs | 薪资为 AI 估算 |
| P10 | 米哈游：大模型平台 SRE（MaaS 方向） | 上海 | SRE/云原生生产经验；有在线推理服务运维经验；K8s；推理框架排障（模型加载、显存不足、请求积压）；Prometheus；SLI/SLO（首 token 延迟）；容量规划；vLLM/SGLang 优先 | WatchJobs | 2026-10 新发布。最适合作为目标 JD |
| P11 | 阿里云：容器 SRE 平台 AI 基础设施运维专家 | 北京/深圳/杭州 | 5 年以上运维；Linux/TCP-IP；K8s/Slurm/LSF；灵骏专属云交付运维；SLA；值班 | 猎聘 | 40–70K·16 薪（猎聘标价） |
| P12 | 阿里云：灵骏 SRE 专家 / 弹性计算灵骏稳定性 SRE 专家 | 杭州 | 官网页面靠 JS 渲染，无法抓取正文 | 官网1 / 官网2 | 只核实了岗位名称 |
| P13 | 字节跳动：Cloud Site Reliability Engineer - DCS | 新加坡 | 2 年以上 SRE；GPU 驱动/CUDA/MIG/拓扑/压测；监控、变更、灰度、复盘；KVM | Broxer | 第三方聚合。和国际化背景契合 |
| P14 | NVIDIA：HPC and AI Cluster Engineer | 上海 | 3 年以上；Slurm/K8s；Linux 网络；Python/Bash/Ansible；加分项：Lustre/GPFS、RDMA、DGX/CUDA | EduCativ | 页面只写“August 15”，没写年份，是否仍在招需要核实 |
| P15 | NVIDIA：Senior SRE - HPC | 美国 | Slurm/LSF/K8s；IaC；自愈；可观测性；基础薪资 $152k–287.5k | NVIDIA 官网 | 官方，2026-09-08 发布 |
| P16 | NVIDIA：Senior AI Infrastructure SW Engineer - DGX Cloud | 美国 | K8s；ELK/Prometheus/Loki；RDMA/IB/NCCL；PyTorch/JAX/Ray 内部原理 | NVIDIA 官网 | 官方，2026-09-16 发布 |
| P17 | Sarvam：Infrastructure SRE - HPC | 印度 | 原文写明“这不是 K8s 管理岗，K8s 是基础要求”；Lustre/GPFS/WEKA；IB/RoCE、NVLink；NCCL hang 排查；DCGM；GPU Operator；MIG/MPS；straggler（慢节点）检测 | Ashby | 官方 ATS |
| P18 | Andromeda Cluster：Staff SRE, AI Infrastructure | 旧金山 | IB/RoCE/NVLink；慢 all-reduce 排查；NCCL/FSDP/DeepSpeed/Megatron；device plugin、拓扑感知调度；Go/Python；Terraform/Helm | Teal | 第三方聚合 |
补充（参考价值有限）：
- 猎聘上的“上海·大模型训推 SRE 专家”（链接）打开后显示“该职位已暂停招聘”，没有计入统计。
- 39 AI 的 GPU Infrastructure SRE（要求 Slurm、K8s、Ceph、RDMA、DCGM、NCCL）与上表各岗位的要求一致，可以对照参考。
1.3 技能出现频次（按 P1–P18 中正文可读的 17 个岗位统计，P12 不计）
| 技能 | 出现次数 | 说明 |
|---|---|---|
| Kubernetes / 容器 | 15 | 几乎所有岗位的基础要求。Sarvam 甚至写明“K8s 只是起点”。SRE 的常见强项（CKA/CKS 可作证明） |
| Linux 与脚本（Python/Go/Bash） | 14 | SRE 的常见强项 |
| 监控告警（Prometheus/Grafana/ELK），其中写明 DCGM 的有 5 个 | 12 | 要能迁移到 GPU 指标：温度、功耗、XID、ECC、显存 |
| NVIDIA GPU / 驱动 / CUDA 版本管理 | 12 | 驱动、CUDA、cuDNN、NCCL 之间的版本依赖是高频考点 |
| RDMA：InfiniBand / RoCEv2 | 11 | 最大的硬缺口，个人很难接触到真机 |
| NCCL 集合通信 | 10 | 重点是排查 NCCL timeout/hang 和跑 nccl-tests |
| Slurm 等 HPC 调度器 | 9 | 训练集群常见 K8s + Slurm 混合架构 |
| 故障处理（XID、掉卡、NCCL 超时、OOM、慢节点、自动续训） | 8 | AI SRE 的核心日常 |
| SLO / On-call / 复盘 / SLA | 8 | 可以直接迁移 |
| 分布式训练常识（DDP/FSDP/Megatron/DeepSpeed，TP/PP/DP/EP 并行） | 7 | 要求“理解”，不要求会写算法 |
| 分布式/并行存储（Lustre、GPFS、Ceph、WEKA、Checkpoint IO） | 6 | 阿里云的 CPFS、开源的 JuiceFS 属于同一类，本次 JD 中没有直接点名 |
| GPU 利用率 / 成本治理 / GPU-hour 统计 | 6 | 和 SRE 的容量规划经验相通 |
| LLM 推理引擎（vLLM / SGLang / TRT-LLM），TTFT/TPOT、KV Cache | 4（其中 2 个是硬性要求） | 上海岗位集中在这一块（米哈游、长江存储） |
| GPU 共享与隔离：MIG / MPS / time-slicing | 3 | |
| K8s 批调度：Volcano / Kueue / 拓扑感知调度 | 3 | MiniMax 列为加分项 |
| 国产卡（昇腾） | 1 | 国内政企智算中心的加分项 |
解读：这些岗位明显分成两类。
- “训练集群 SRE”：核心是 RDMA、NCCL、Slurm、存储、硬件故障，门槛高，看重真机经验。
- “推理/MaaS 平台 SRE”：核心是 K8s、vLLM、SLO、容量和成本，和传统在线服务 SRE 最接近。
对没有 AI 背景的 SRE 来说，推理 SRE 是最现实的第一跳。