Job Description
AI ⽹络集合通信库运营⼯程师 北京 分享 在腾讯，优秀的技术运营工程师始终赋能业务，关注技术运营的质量、成本、效率和安全。他们不仅是经验丰富的问题解决者，更是具有全局视角的架构师，通过自动化工具的建设，强力提升平台效能，助力业务发展。 岗位职责 1.通信库运营保障：负责集合通信库（如 NCCL 等）在⼤规模 AI 训练/推理集群中的部署、配置、升级与⽇常运营，确保通信服务的⾼可⽤性和性能达标；
2.性能监控与优化：建设通信性能监控体系，持续跟踪 AllReduce/AllGather/All-to-All 等关键通信算⼦的带宽和延迟指标，识别性能退化并驱动优化；
3.故障诊断与恢复：快速响应训练 hang、通信超时、性能下降等故障，具备从业务现象出发逐层定位到通信库、传输层、硬件层根因的能⼒，缩短 MTTR；
4.业务⽀撑协同：与上层训练/推理框架团队紧密协作，理解不同并⾏策略（TP/PP/DP/EP/CP）对通信的需求，提供通信层⾯的调优建议；
5.⼯具与⾃动化建设：参与或主导通信诊断⼯具、⾃动化巡检、异常检测等运营⼯具的开发，提升运营效率和故障⾃愈能⼒；
6.容量规划与技术演进：根据业务增⻓和新硬件（NVLink/InfiniBand/RoCE）的引⼊，参与集群通信架构规划和通信库版本选型评估。 岗位要求 一.基本要求；
1.计算机科学、通信⼯程、电⼦⼯程或相关专业，本科及以上学历；
2.两年以上相关⼯作经验（集合通信库开发、HPC 通信优化、AI 基础设施运营等⽅向均可）；
二、专业技能；
1.集合通信原理：深⼊理解集合通信算⼦（AllReduce、AllGather、ReduceScatter、All-to-All 等）的原理和实现算法（Ring、Tree、Double Binary Tree 等），了解算法选择对性能的影响；
2.通信库实践：熟悉 NCCL 架构...
分享岗位
方式1:复制岗位链接
方式2:分享岗位海报
手机扫描二维码分享
收藏 TEG 点击了解更多BG信息 技术 两年以上工作经验 更新于年06月29日2.性能监控与优化：建设通信性能监控体系，持续跟踪 AllReduce/AllGather/All-to-All 等关键通信算⼦的带宽和延迟指标，识别性能退化并驱动优化；
3.故障诊断与恢复：快速响应训练 hang、通信超时、性能下降等故障，具备从业务现象出发逐层定位到通信库、传输层、硬件层根因的能⼒，缩短 MTTR；
4.业务⽀撑协同：与上层训练/推理框架团队紧密协作，理解不同并⾏策略（TP/PP/DP/EP/CP）对通信的需求，提供通信层⾯的调优建议；
5.⼯具与⾃动化建设：参与或主导通信诊断⼯具、⾃动化巡检、异常检测等运营⼯具的开发，提升运营效率和故障⾃愈能⼒；
6.容量规划与技术演进：根据业务增⻓和新硬件（NVLink/InfiniBand/RoCE）的引⼊，参与集群通信架构规划和通信库版本选型评估。
1.计算机科学、通信⼯程、电⼦⼯程或相关专业，本科及以上学历；
2.两年以上相关⼯作经验（集合通信库开发、HPC 通信优化、AI 基础设施运营等⽅向均可）；
二、专业技能；
1.集合通信原理：深⼊理解集合通信算⼦（AllReduce、AllGather、ReduceScatter、All-to-All 等）的原理和实现算法（Ring、Tree、Double Binary Tree 等），了解算法选择对性能的影响；
2.通信库实践：熟悉 NCCL 架构...