2. 技能映射：SRE 已有的 vs 需要补的

假设的读者背景：SRE，具备 CKA（K8s 管理员）和 CKS（K8s 安全）水平。下表中 K8s 相关两行按“已具备”处理，缺口只剩 GPU 专属的部分。

维度	典型 SRE 已具备（可迁移）	缺口（需要补）	补齐难度
Linux / 内核 / 网络	系统调优、TCP/IP、排障方法论	PCIe 拓扑、NUMA 亲和、nvidia-smi topo -m、IOMMU / ACS 对 P2P 的影响	★★
K8s（✅ 假设已具备 CKA 水平）	集群搭建与升级、调度、网络、存储、排障，路线中不安排 K8s 基础学习	只剩 GPU 专属部分：device plugin / CDI、GPU Operator、time-slicing / MIG / MPS、DRA（动态资源分配）、gang scheduling（Volcano/Kueue/KAI）、拓扑感知调度、LeaderWorkerSet	★★
K8s 安全（✅ 假设已具备 CKS 水平）	RBAC、Pod Security、NetworkPolicy、镜像供应链、运行时安全	迁移到 GPU 多租户场景：time-slicing 没有显存和故障隔离（MIG 才有硬件隔离）；GPU Operator / device plugin 需要特权组件；大模型镜像和权重文件的供应链校验	★
监控与可观测	Prometheus/Grafana、告警治理、SLI/SLO	DCGM 指标（SM 利用率、显存、ECC、XID、NVLink）；推理 SLI（TTFT、TPOT、吞吐、排队）；训练指标（MFU、ETTR）	★★
故障处理 / On-call	应急、止损、复盘、SOP	GPU 掉卡、XID 79/48/63 等错误、NCCL hang/timeout、慢节点、Checkpoint 恢复	★★★
容量与成本	容量规划、资源治理	显存估算（参数量×精度+KV Cache）、每百万 token 成本、GPU 碎片	★★
网络	数据中心网络、负载均衡	RDMA 原理、IB vs RoCEv2、PFC/ECN 无损网络、GPUDirect RDMA、NVLink/NVSwitch、AllReduce 算法	★★★★
存储	分布式存储基础	并行文件系统（Lustre/GPFS）、JuiceFS/CPFS、Checkpoint 高吞吐写入、模型文件分发	★★★
AI 常识	—（零基础）	Transformer、训练 vs 推理、并行策略（DP/TP/PP/EP）、量化、KV Cache、continuous batching	★★★（只要求理解，不要求做算法）
编程	Python/Go/Shell 自动化	读得懂 PyTorch 训练脚本、torchrun、vLLM 配置和指标	★★
国际化/出海经验（如有）	多地域、合规、海外云	—（这是加分项：出海 AI 业务、海外 GPU 云如 CoreWeave/Lambda、多地域推理容灾。米哈游 JD 明确把“多地域服务容灾”列为优先条件）	—

一句话：SRE 转 AI Infra，缺的不是 SRE 能力，也不是 K8s 能力，而是 GPU 这层硬件与通信知识、推理引擎的运维经验，以及足够的 AI 常识，用来和算法、框架团队沟通。