构建基于AI模型和Agentic架构的智能自主化Kubernetes容器服务-阿里星/A Star

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1、计算机科学或相关专业背景，具备深厚的操作系统、分布式系统理论基础；
2、精通Go/C++/Rust中至少一种，具备大型、复杂底层系统或分布式调度系统的设计与开发经验；
3、熟悉Kubernetes架构，特别是其调度器（kube-scheduler）和资源管理机制；有二次开发或重度使用经验者优先；
4、深入理解Linux内核机制（如cgroups, namespaces, 内存管理, 内核调度）或虚拟化技术（KVM, QEMU）；
5、对解决复杂系统中的性能瓶颈与稳定性问题充满热情，并具备体系化的方法论；
6、有强烈技术热情和好奇心，自驱力和学习力强；具备良好的分析与解决问题的能力、沟通以及团队合作能力；喜欢挑战性的技术研发工作，善于攻坚克难，有创新热情，积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破。
加分项：
1、有大规模分布式系统研发和优化经验；
2、有机器学习、深度学习、强化学习等AI算法与工程系统经验；
3、有eBPF、CRIU、gVisor、Kata Containers等云原生前沿技术的实践经验；
4、有Hypervisor（KVM/Xen）开发或性能优化经验；
5、在Linux Kernel、Kubernetes、Docker等顶级开源社区有活跃贡献；
6、掌握AI基础知识，掌握基础提示词工程，会使用Al专业工具，集成AI到个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先。

岗位描述

1、负责Kubernetes容器支撑异构工作负载，提供高效、动态优化的资源调度策略，支撑数以亿计AI智能体的基础设施底座；
2、主导设计和实现由AI模型驱动的容器集群系统，利用Agentic架构现实世界中的分布式系统重构和进化。
1、计算机科学或相关专业背景，具备深厚的操作系统、分布式系统理论基础；
2、精通Go/C++/Rust中至少一种，具备大型、复杂底层系统或分布式调度系统的设计与开发经验；
3、熟悉Kubernetes架构，特别是其调度器（kube-scheduler）和资源管理机制；有二次开发或重度使用经验者优先；
4、深入理解Linux内核机制（如cgroups, namespaces, 内存管理, 内核调度）或虚拟化技术（KVM, QEMU）；
5、对解决复杂系统中的性能瓶颈与稳定性问题充满热情，并具备体系化的方法论；
6、有强烈技术热情和好奇心，自驱力和学习力强；具备良好的分析与解决问题的能力、沟通以及团队合作能力；喜欢挑战性的技术研发工作，善于攻坚克难，有创新热情，积极乐观，坚韧抗压，结果导向，能够持续推动问题的解决和突破。

加分项：

1、有大规模分布式系统研发和优化经验；
2、有机器学习、深度学习、强化学习等AI算法与工程系统经验；
3、有eBPF、CRIU、gVisor、Kata Containers等云原生前沿技术的实践经验；
4、有Hypervisor（KVM/Xen）开发或性能优化经验；
5、在Linux Kernel、Kubernetes、Docker等顶级开源社区有活跃贡献；
6、掌握AI基础知识，掌握基础提示词工程，会使用Al专业工具，集成AI到个人工作流；有AI相关开发工具应用研发经验者优先，持有阿里云ACA/ACP/ACE认证证书者优先。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →