路线图
02 大规模训练稳定性保障
学习目标：能保障千卡级分布式训练的稳定运行——理解「掉卡即中断」的同步训练特性；掌握「故障检测 → 中断 → checkpoint 恢复 → 重调度」的自动恢复闭环；会用 NCCL_DEBUG 等手段排查训练 …
#路线图
共 160 篇相关文章
路线图
03 AI 网络运维
学习目标：能解释 AI 集群为什么依赖高速网络；能从运维视角说清 RDMA / InfiniBand / RoCEv2 的区别与选型；能做 RoCE 无损网络的 PFC/ECN 配置检查与丢包定位；能用 …
路线图
04 智算平台运维与资源治理
学习目标：能从运维视角把 K8s GPU 集群管起来（device plugin / GPU Operator / NFD / Volcano/Kueue 的运维面）；能设计和运维配额、抢占、优先级、多租户隔离，会治理 …
路线图
05 AI Infra 全景与岗位地图（导读）
学习目标：能说清 AI Infra 是什么、边界在哪（vs MLOps vs 平台工程）；能分清「运维/SRE 方向」和「研发方向」的分野，知道自己走哪条、JD 怎么辨；能画出 AI Infra 的分层全景图；能说出模 …
路线图
岗位分支 · AI-Agent应用工程师
定位：把 Agent 做成可用产品 对应主路线：Ch2（LLM 应用基础）、Ch3（RAG）、Ch4（Tool Calling）、Ch6（工作流编排）、Ch11（产品化集成） 核心能力领域# 1. Agent 产品设计 …
路线图
岗位分支 · Platform
定位：把训练、推理、评测、发布做成平台能力，让业务团队自助完成模型上线 对应主路线：Ch2（推理服务化）、Ch5（稳定性与可观测）、Ch6（平台治理） 典型团队：公司内部 AI 平台部、中台团队、MLOps 团队 核心 …
路线图
岗位分支 · Inference
定位：把模型变成高并发、低延迟、可稳定调用的服务 对应主路线：Ch1（推理基础）、Ch2（推理服务化）、Ch3（性能优化）、Ch5（稳定性） 典型团队：推理服务团队、LLM 服务团队、AI Infra 核心团队 核心能 …
路线图
岗位分支 · RAG知识库Agent工程师
定位：企业知识库 / 问答 / 文档分析 对应主路线：Ch3（RAG / Context 工程） 核心能力领域# 1. 文档解析与处理# 多格式文档解析（PDF / Word / Excel / HTML / …